任务分组正则化：基于异构预训练模型的无数据元学习

基于摘要分析。本文研究无数据元学习（Data-Free Meta-Learning，DFML）：在不访问预训练模型原始数据的条件下，从多个模型中提取知识，以支持对未见任务的快速适应。作者提出 Task Groupings Regularization，通过任务分组与组内隐式梯度正则化，缓解异构预训练模型之间的任务冲突，学习跨任务共享表征。 作者报告通过实证与理论分析识别了模型异构性带来的“异构性—同质性权衡”：同质模型可减少任务冲突，但也会增加过拟合风险。方法先将预训练模型嵌入任务空间，计算模型间的不相似度，再依据该度量将异构模型分组；随后在各组内部施加隐式梯度正则化，鼓励形成适合组内各任务的梯度方向。摘要未提供任务空间的构造、分组算法、正则化的数学形式，以及无原始数据条件下所用训练信号的具体来源。 作者报告，该方法在多个基准的多域、多架构场景中优于对照方法，但摘要未列出基准名称、任务划分、评价指标或数值。实验协议、消融及统计信息尚未验证，尚不能判断分组和正则化各自的贡献，也不能据此比较不同评估协议下的效果。 平台推测（待验证）：若存在一组针对相同 EEG 任务、但来自不同被试或会话的可访问预训练模型，该机制可能用于研究无法共享原始信号时的知识整合。可复用部分是任务相似性度量、分组策略和冲突缓解思路；需改造任务空间，使其适配 EEG 的通道配置、时间结构与标签语义。低信噪比、小样本及跨被试差异可能使模型不相似度主要反映噪声或采集条件，而非可迁移的任务关系。一个可证伪的小实验是：在标签空间一致的 Cross-subject EEG 任务中，仅向元学习阶段提供源被试模型，按相同目标被试适应协议比较不分组、随机分组和所提分组，并核对组内梯度冲突与目标任务表现是否同步改善。相关 EEG 工作尚未检索确认。