多任务表征学习的乐观收敛率

基于摘要分析。本文研究通过多任务表征学习（Multi-Task Representation Learning，MTRL）实现迁移学习：利用多个源任务学习共同表征，再在该表征之上训练目标任务预测器。核心贡献是给出目标任务超额风险的新统计收敛界，说明在特定假设下共享表征的收益。 理论机制：在损失函数满足标准正则性假设、任务满足多样性条件的前提下，作者报告所得收敛率具有“乐观”性质，即随学习任务难度在标准 O(m^{-1/2}) 与快速 O(m^{-1}) 之间插值，其中 m 为目标任务样本数。这是带有适用条件的理论风险界，不是实验 Accuracy，也不意味着所有目标任务都能达到快速收敛率。摘要尚不足以核对任务难度的具体刻画、源任务数量与样本量如何进入界，以及相关常数和表征类复杂度的作用。 其他贡献包括源任务超额风险的乐观收敛界，即多任务学习（MTL）的相关结果；适用于 MTRL 和 MTL 的局部 Rademacher 复杂度定理；以及复合预测器类的局部 Rademacher 复杂度链式法则。全文证明、具体损失、训练程序、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设不同被试的 EEG 解码任务存在可共享表征，可将源被试视为多个源任务、目标被试视为目标任务，用该理论审视少量目标标签下的泛化问题。可复用的是共享表征与目标预测器的分析框架；需进一步核对 EEG 损失、表征类及跨被试任务结构是否满足原文假设，而非直接视为新的 BCI 算法。低信噪比、被试异质性、通道不一致和小样本可能削弱共享结构或使理论界缺乏实际解释力。一个可检验的小实验是在固定源被试数据、统一通道且隔离目标测试集的条件下，改变目标训练样本量，对照共享表征与仅目标数据训练的预测器，观察目标风险及迁移收益的变化；该实验只能检验经验趋势，不能替代理论假设验证。已有 EEG 相关工作尚未检索确认。