DUET：用于全空间点击率预测的双模型协同训练

基于摘要分析。本文研究大规模推荐系统预排序中的表达能力与计算效率权衡，以及曝光数据训练带来的样本选择偏差（Sample Selection Bias，SSB）。作者提出 DUET，以候选集合为单位预测点击率（CTR），并通过双模型协同训练将监督扩展至未曝光候选项；主要研究对象是推荐系统，而非 EEG 或 BCI。 机制上，DUET 不再独立为每个候选项评分，而是在一次前向传播中对整个候选子集进行集合级预测，使候选项之间能够交换信息，建模协同与抑制关系，并将计算成本分摊到集合内。双模型通过相互细化伪标签，为未曝光候选项提供训练信号，以缓解曝光空间与更大候选空间之间的分布差异。摘要未给出集合编码方式、模型结构、损失函数、伪标签筛选规则或计算复杂度，相关细节尚未验证。 作者报告，在离线实验和在线 A/B 测试中，DUET 优于所比较的先进基线，并改善多项核心业务指标；但摘要未提供数据集、划分、基线名称、指标数值及延迟测量条件，无法据此量化收益或核对比较协议。作者还报告，该框架已在 Kuaishou 与 Kuaishou Lite Apps 全量部署，服务数亿用户的主要流量；部署规模不等同于可独立复核的算法增益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设主要是双模型伪标签细化，而非推荐候选集合交互本身。若 EEG 任务具有少量标注与较多未标注数据，该机制可能用于研究分布偏移下的协同训练；但未曝光点击标签与未标注 EEG 的生成机制不同，不能直接等同。可复用协同训练思路，需改造 EEG 编码器、类别置信度校准及伪标签筛选；低信噪比、跨被试差异、通道变化和小样本可能使两模型共同放大错误。一个可检验的小实验是在固定跨被试划分下，仅使用目标被试未标注数据进行适应，对比单模型自训练与双模型相互细化伪标签，并保持编码器和训练预算一致。已有 EEG 相关工作尚未检索确认。