基于 LASSO 改进主动多任务表征学习

基于摘要分析。本文研究目标任务样本稀缺时，如何主动选择并采样源任务，以提高多任务预训练的样本效率。核心贡献是以 L1 正则化的目标—源任务相关性参数 ν¹ 指导采样，并在该参数未知时使用 LASSO 进行估计。 理论机制：既有 Chen et al., 2022 方法依据 L2 正则化相关性参数 ν² 自适应采样源任务。作者报告，通过给出 ν² 策略的下界，论证 ν¹ 策略在总源样本复杂度上的严格优势；在 ν¹ 未知时，所提 LASSO 估计算法可恢复相关性已知情形的最优结果。论文还分析了源任务采样成本不同的情形，意在兼顾样本效率与稀疏源任务选择。上述结论依赖的任务关系、数据分布及理论适用条件需查阅正文，不能据摘要推广为任意多任务问题上的优势。 实验证据：作者报告在真实计算机视觉数据集上进行了实验以展示方法有效性，但摘要未给出数据集名称、划分、基线或具体指标；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 跨被试或跨会话任务具有可共享的表征，且仅少量源任务与目标任务高度相关，该机制可能用于减少无关源任务的采样。可复用的是相关性估计与采样决策，需改造的是 EEG 表征、任务定义及采样成本模型。低信噪比、通道不一致、被试差异和少量目标样本可能使稀疏相关性估计不稳定。一个可检验的假设是：在固定总源样本预算、目标训练样本量及独立测试划分下，LASSO 引导的源被试选择优于均匀采样；应同时记录预测指标与所选源任务的稳定性。已有 EEG 相关工作尚未检索确认。