子空间增强的模型合并

基于摘要分析。研究关注将多个专门化专家模型合并为单一多任务模型时，收益随专家数量增加而递减的问题，提出 Subspace Boosting，在经奇异值分解的任务向量空间中维持任务向量的秩，以缓解多专家合并的性能退化。原论文研究对象是视觉与语言模型合并，并非 EEG 或 BCI。 机制方面，作者报告通过实证与理论分析发现，对于基于 Task Arithmetic 的方法，随着合并专家数量增加，共有信息会压过任务特异信息，并在其理论分析条件下导致秩坍塌。Subspace Boosting 针对这一任务向量空间问题进行干预；摘要未提供具体奇异值调整规则、合并权重或理论假设。此外，作者提出利用 Higher-Order Generalized Singular Value Decomposition 量化任务相似性，为模型合并提供可解释的分析视角。 结果方面，作者报告在视觉与语言基准、合并最多 20 个专家的评估中，合并效能提升超过 10%；摘要未明确该数值对应的指标、相对提升或百分点口径，也未列出具体基准与对照方法，因此不能将其直接解释为 Accuracy 提升。作者提供了代码与模型链接，但实现细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 专家模型具有可对应的参数空间，并采用兼容的任务向量合并方式，这一机制可能用于考察跨被试或跨任务合并中的特异信息损失。可复用部分是任务向量的奇异值分析与子空间增强；需重新核对模型参数对齐、任务头及合并权重。低信噪比、小数据和通道差异可能使任务向量包含较多噪声，维持秩未必能保留有效判别信息，也可能放大噪声。可在同一预训练起点、统一通道与任务定义下构建少量 EEG 专家，固定数据划分与合并权重，对比 Task Arithmetic 与加入 Subspace Boosting 后的任务性能及任务向量谱。已有 EEG 相关工作尚未检索确认，此实验仅用于检验迁移假设。