用于半监督文本分类的自步成对表征学习

该研究面向半监督文本分类（SSTC）中标注文本有限导致的过拟合，以及不可靠伪标签导致的误标问题，提出 Self-Paced PairWise representation learning（SPPW）。核心思路是以成对表征学习替代易过拟合的参数化分类器学习，并结合标签置信度与文本难度进行自步样本筛选。以下基于摘要分析，未取得论文全文。 机制上，SPPW 将学习重点转向文本之间的成对表征关系；在未标注文本利用环节，作者认为文本难度可补充仅依赖置信度的筛选标准，通过两类信息共同减少不可靠伪标签样本。摘要未说明样本对构造、表征目标、难度定义、自步调度或最终分类方式，具体实现尚未验证。 作者报告，在 3 个 SSTC 基准数据集上的实验中，SPPW 优于对照基线，并能缓解过拟合与误标问题。摘要未提供数据集名称、标注比例、数据划分、基线配置或具体指标，因此不能判断收益幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法依赖少量有标签样本与大量无标签样本，其成对学习和双标准伪标签筛选机制，可能对应 EEG 少标注训练中的过拟合及伪标签噪声问题。可尝试复用成对训练与筛选框架，但需替换文本编码器，并重新定义 EEG 样本难度及配对规则；低信噪比、通道差异和被试差异可能使“困难样本”与有价值的生理变异混淆，小样本也可能使难度估计不稳定。一个可检验的小实验是在固定被试内划分与标注预算下，对比仅置信度筛选和加入难度筛选，核对分类指标及伪标签错误率；成对学习的贡献需单独对照。已有 EEG 相关工作尚未检索确认。