表示选择与上下文学习之间的关系

基于摘要分析。该研究以大语言模型（LLM）的上下文学习（ICL）分类任务为对象，考察示例的表示方式，尤其是标签表示，与增加上下文示例所带来的学习增益之间的关系。核心贡献是提出并检验一种分解假设：标签表示主要决定 ICL 的基线 Accuracy，而新增示例的学习作用在该基线之上体现。 方法上，作者开发了一种优化算法，用于枚举语义相关程度不同的一系列标签集合，再针对各标签集合改变上下文示例数量，观察性能变化。这里的“表示”主要指分类标签的表达方式，不应直接等同于神经信号特征表示或编码器学习出的隐空间。 作者报告，在所考察的标签集合与示例数量设置下，无论标签集合质量如何，增加示例均能产生学习效果；但以性能随示例数量增加的改善斜率衡量，学习效率同时受到标签集合质量和底层语言模型参数量的影响。作者还报告，不同标签集合的相对 Accuracy 优劣在学习过程中大体保持，并据此支持表示效应与示例学习效应近似独立的假设。这并不意味着学习效率完全不受表示影响，也不足以仅凭摘要确立严格的数学正交性。 摘要未提供具体模型、分类任务、标签集合构造约束、示例采样方案或数值结果；优化算法细节、实验协议、消融及统计信息尚未验证。当前材料不包含 EEG 或 BCI 验证，不能据此推导神经信号解码收益。其直接阅读价值在于提醒 ICL 评估同时报告标签表示条件与示例数量变化，避免将较高的初始 Accuracy 与更强的示例学习能力混为一谈。