跨域可迁移的神经文本连贯性模型

基于摘要分析。本文研究文本连贯性评估中的跨域泛化问题：在一种文本领域训练的模型，往往难以泛化到未见文本类别。作者提出局部判别式神经模型，通过缩小错误句子排序的负采样空间，更高效地学习区分连贯与不连贯的文本排列。 核心机制与对照：摘要指出，既有工作倾向于使用生成式模型实现跨域泛化，因为判别式模型需要面对的非连贯句子排列空间过大。本文仍采用判别式建模，但以局部建模和更小的负采样空间缓解这一问题。具体局部单元、负样本构造、损失函数及模型结构尚未验证，不能据摘要确定其实现方式。 结果与评估背景：作者报告，该模型在 Wall Street Journal 语料的标准基准，以及 Wikipedia 文章中迁移到未见篇章类别的多个挑战性设置下，显著优于此前最先进方法。摘要未提供指标、数值、具体对照方法、数据划分或显著性检验细节；实验协议、消融及统计信息尚未验证，也无法判断不同迁移设置的难度与结果可比性。 适用边界：论文的主要研究对象是文本句子排序与篇章连贯性，而非神经信号解码。文本中的错误排序负样本依赖句子及篇章结构，不能直接等同于 EEG 时间片段的有效负样本。当前材料不足以建立具体的 EEG/BCI 迁移路径；相关 EEG 工作尚未检索确认。复现前需取得全文，核对负采样规则、跨域训练与测试划分、基线实现及评估指标。