将模型合并表述为微调参数空间中的概率推断

基于摘要分析。本文研究如何在不进行额外数据驱动微调的情况下，将已有单任务模型合并为多任务模型；核心贡献是将模型合并表述为 product-of-experts（PoE）框架下的概率推断，并引入重尾 Cauchy 专家以刻画任务更新方向的统计特性。 方法上，每个单任务解在合并参数空间中定义一个能量模型（EBM）专家，通过组合专家进行推断。作者指出，若对合并模型与任务模型之间的方向残差采用特定能量设计，若干已有合并方法可视为该框架的特例，并隐含 Gaussian 假设。作者报告，所考察残差往往呈重尾分布，因此提出基于 Cauchy 专家的 PoE 设计，并给出具有可证明收敛性的推断过程。具体残差定义、能量函数、优化步骤及收敛保证的适用条件尚未验证。 作者报告，在多个任务和架构上，该方法相对先进基线取得显著改进；摘要未列出任务、数据集、指标、划分及改进幅度，不能据此判断收益范围或统计显著性。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性与复现条件尚未核验。 平台推测（待验证）：其可能对应的 EEG 问题，是在保留多个专用解信息的同时减少联合训练需求，而非直接改善信号特征提取。一个可检验假设是：若多个 EEG 模型采用共同初始化、兼容参数结构及一致的输入输出定义，可尝试合并各被试或会话上微调得到的参数。PoE 推断框架可能复用，但通道差异、任务输出和参数对应关系需要适配；低信噪比、小数据及被试差异也可能使有用更新与噪声难以区分，重尾设计未必带来收益。小规模验证可在固定跨被试划分下，对比不合并、简单参数平均与该方法，并检查参数残差分布和各被试性能变化。原领域结果不构成 EEG/BCI 有效性证据，已有 EEG 相关工作尚未检索确认。