面向实体消解的低成本上下文学习：设计空间探索

基于摘要分析。本文研究实体消解（Entity Resolution，ER）中如何降低大语言模型上下文学习（In-Context Learning，ICL）的调用费用，提出 BATCHER 框架，将示例选择与问题批处理结合，并探索不同设计选择对匹配准确性和费用的影响。研究对象是数据集成中的实体匹配，而非神经信号建模或 BCI 解码。 方法动机是：基于预训练语言模型（PLMs）的 ER 方法通常需要大量带有匹配／不匹配标签的实体对进行微调；LLM 则可利用提示中的少量标注示例执行任务，无需调整模型参数。但若每个待判定实体对都单独附带任务说明与示例，会产生重复的提示开销。BATCHER 从 demonstration selection 和 question batching 两个环节组织批量提示，并提出基于覆盖的示例选择策略，目标是在匹配准确性与货币成本之间取得平衡。摘要未说明覆盖的具体定义、选择算法、批次构造规则或成本计算方式，这些细节尚未验证。 作者报告，在其 ER 实验中，批量提示相较于使用大量标注数据微调的 PLM 方法，以及采用人工设计提示的 LLM 方法，具有较好的成本效益；研究还提供了批量提示设计选择的指导。摘要未给出数据集、模型配置、数据划分、标注预算、匹配指标或费用数值，因此无法核对收益幅度或不同基线的比较条件。实验协议、消融及统计信息尚未验证。 复现时需核对提示模板、示例选择依据、批量大小、输出解析规则，以及模型调用价格与准确性评估口径。现有材料没有建立实体对匹配机制与 EEG/BCI 瓶颈的具体对应关系，不据此提出 BCI 迁移方案；已有 EEG 相关工作尚未检索确认。