以 Retriever Adapters 为教师：面向稠密检索的表征修正蒸馏

基于摘要分析。该研究针对稠密检索适配新目标域时相关性标注成本高、未标注查询未被充分利用的问题，提出半监督框架 Representation Correction Distillation（RCD），将 adapter 学到的领域特化能力迁移到独立的稠密检索学生模型。学生训练同时利用已有标注查询与额外未标注目标域查询，但不使用相关性标签；这不等于整个流程无需标注，因为 adapter 教师仍依赖有限标注数据学习。 机制上，RCD 不直接匹配完整表征空间，而是分离并蒸馏 adapter 引起的任务特定表征更新，同时通过排序蒸馏引入目标域偏好。作者将其描述为在保留基础模型既有结构的同时学习领域特化。修正项的计算方式、损失函数及权重、教师与学生的训练细节尚未验证。 作者报告，在五个基准数据集上，相对基础检索器，RCD 的宏平均 nDCG 提升最高为 21.7%；在教师仅用 50% 标注查询训练的设置下，学生利用额外未标注目标域查询训练，宏平均 nDCG 比教师高 3.7%。摘要未列明数据集名称、nDCG 截断位置、绝对分数和百分比计算口径，不能将上述百分比改写为百分点；实验划分、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，在 EEG 域适应中只蒸馏少量标签所学到的领域修正，而非强制匹配完整表征。但原方法依赖查询—文档检索及排序监督，EEG 任务并不天然具备这一结构，需重新定义任务输出与蒸馏目标。可复用的是基础模型与 adapter 修正的分离思路；低信噪比、跨被试差异、通道配置变化及小样本教师偏差都可能使修正失效。一个可证伪的小实验是在固定 Cross-subject 划分、标签预算及未标注目标被试数据范围下，对比基础模型、adapter 教师、完整表征蒸馏与修正蒸馏，检验修正蒸馏能否稳定优于教师和完整表征蒸馏。相关 EEG 工作尚未检索确认。