JIVEAdapter：基于联合与个体变异解释（JIVE）的多任务加性低秩适配器

基于摘要分析。JIVEAdapter 针对低秩适配器通常面向单任务、缺乏显式共享与任务特异结构的问题，将权重更新分解为跨任务共享的 Joint 结构与每个任务独有的 Individual 结构，旨在支持多任务参数高效微调和新任务复用。 核心机制是对每个权重更新进行加性分解，并通过惩罚使 Individual 与 Joint 近似正交，以分离共享信号和任务特异信号；秩在共享 Joint 池与各任务 Individual 池之间自适应分配。Joint 可在任务组上联合学习，也可逐任务增量学习，随后冻结，作为新任务的先验复用而不重新训练共享部分。摘要未提供具体损失形式、秩分配算法或正交性的量化验证，结构分离是否带来可靠可解释性仍需正文证据。 作者报告，在使用 DeBERTaV3-base 的 GLUE 与 SuperGLUE 评估中，JIVEAdapter 在每任务有效秩匹配的条件下，与较强的单任务及多任务低秩基线具有竞争力，且不依赖 MoE 等额外模块。对于留出任务，若已有相关的训练内任务，可复用冻结 Joint 及该相关任务的 Individual，仅调整低成本的逐方向缩放；否则训练一个小型新 Individual。具体任务划分、基线名称、指标数值、训练与推理成本、消融及统计信息尚未验证。 平台推测（待验证）：共享与个体结构分解可作为 EEG 基础模型跨任务适配的候选机制，假设不同 EEG 任务确有可共享的表示更新，并有足够数据区分共享与特异成分。可复用适配器分解与冻结策略，但需处理通道布局、输入表示和任务输出差异；低信噪比、被试差异及小数据可能使 Joint 学到噪声或使近似正交约束排斥有用的重叠信号。一个可检验的小实验是在固定 EEG 预训练骨干与数据划分下，以匹配每任务有效秩比较 JIVEAdapter 和单任务低秩基线，再在留出任务上检验冻结 Joint 的收益及负迁移。已有 EEG 相关工作尚未检索确认。