DenoSent：用于自监督句子表征学习的去噪目标

基于摘要分析。DenoSent 研究自监督句子表征学习，针对句间对比学习可能难以充分捕获细粒度语义的问题，引入句内去噪目标：通过离散噪声与连续噪声构造受扰动句子，再训练模型将其恢复为原始形式。其主要贡献是提供不同于句间关系监督的学习信号，并探索两类目标的互补性。 机制上，对比学习通过拉近相似句子、推远不相似句子约束表征空间；DenoSent 则从单个句子内部的扰动与恢复关系中构造自监督任务。摘要未说明两类噪声的具体施加位置、重建对象、损失形式及联合训练方式，这些细节尚未验证。作者报告，该方法在 semantic textual similarity（STS）及多种迁移任务上取得与对比学习方法有竞争力的结果，并可与句间对比目标结合以进一步改善表现。摘要未提供具体数据集、划分、基线及指标数值，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：可迁移的假设是，样本内部的去噪恢复信号可能补充 EEG 样本间的对比监督，但原研究对象是文本，不能据此认定其对 BCI 有效。迁移依赖可定义的时序结构、合理扰动及稳定的恢复目标；可借鉴目标组合思路，但需改造 EEG 编码器、扰动方式与重建目标，不能直接照搬文本离散噪声。低信噪比、通道差异和被试差异可能使恢复任务偏向背景噪声，小数据条件下也可能过拟合。一个可证伪的小实验是在固定 EEG 数据划分、编码器和训练预算下，对照仅对比学习、仅去噪及联合目标，并分别评估被试内与跨被试的同一任务指标。相关 EEG 工作尚未检索确认。