稠密检索作为大空间决策的间接监督

基于摘要分析。本文研究自然语言理解（NLU）中标签空间庞大、每个标签训练样本不足且细粒度标签难以区分的问题，提出 Dense Decision Retrieval（DDR），将判别任务重构为学习检索任务，而非直接输出细粒度决策的 logits。 核心机制是采用双编码器架构，从决策词库（decision thesaurus）中检索预测结果。该设计借鉴开放域 QA 的篇章稠密检索，利用稠密检索学习资源提供间接监督，并以具有语义意义的表示组织决策空间。作者认为这有助于提升预测泛化能力；具体监督资源、决策词库构建、损失函数、负样本策略及训练与推理流程尚未验证。 在决策空间从数百到十万量级的任务上，作者报告相对强基线的提升：两个极端多标签分类任务的 P@1 为 27.54%，超细粒度实体类型识别的 F1 为 1.17%，三个少样本意图分类任务的 Accuracy 平均为 1.26%。摘要未明确这些提升是相对百分比还是百分点，因此保留原文表述，不能进一步换算。数据集名称、基线构成、数据划分、少样本设置、消融及统计信息尚未验证，不宜跨任务直接比较提升幅度。 平台推测（待验证）：若 EEG 任务具有语义明确的大规模候选决策及配对监督，DDR 的决策语义编码与检索框架可能用于缓解稀有标签样本不足；但需将文本输入编码器改造为 EEG 编码器，并建立信号与决策描述之间的对齐。该假设不直接适用于标签很少的常规 MI 或 SSVEP 分类。低信噪比、跨被试和通道差异、小数据规模，以及不同语义标签缺乏可区分的 EEG 表征，都可能导致失败。可在已有带语义标签的 EEG 数据上固定跨被试划分，对比直接分类与决策描述检索，并检查稀有标签表现及打乱描述后的性能变化；这仅是可证伪的小实验建议，不是本文已验证结果。相关 EEG 工作尚未检索确认。