Data-CUBE：面向基于指令的句子表征学习的数据课程

基于摘要分析。该研究针对基于指令的句子表征学习，提出数据课程方法 Data-CUBE，通过安排多任务训练数据的顺序，降低任务之间及任务内实例之间的潜在干扰。其主要贡献是将数据调度拆为任务级排序和实例级由易到难训练，而非提出 EEG 或 BCI 表征模型。 在任务层面，作者将最小化总跨任务干扰风险的排序问题表述为旅行商问题，并采用模拟退火算法求解；在实例层面，先衡量各任务内实例的难度，再组织为由易到难的 mini-batches。摘要未说明干扰风险与实例难度的具体计算方式，也未给出指令形式、训练目标或完整调度流程，这些细节尚需正文核对。 作者报告，在 MTEB 句子表征评估任务上，Data-CUBE 能提升所比较的现有先进方法的表现，但摘要未提供具体任务、指标、数值、数据划分及基线配置，不能据此判断增益幅度或跨任务稳定性。作者声明代码和数据已公开；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多任务学习中存在可稳定估计的任务间干扰与样本难度，该方法的数据排序机制可能具有复用价值。原方法依赖多任务指令训练数据及任务内难度估计；迁移时可保留任务排序和课程调度模块，但需为 EEG 重新定义干扰度量、难度指标及任务条件输入。低信噪比下的伪迹可能被误判为高难度，跨被试与通道差异也可能使排序失效，小数据则可能使估计不稳定。一个可检验的小实验是在固定 EEG 多任务模型、数据划分和训练预算下，对比随机调度、仅任务排序、仅难度课程及二者结合，并跨随机种子检验收益。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。