面向半监督文本分类的自定步调成对表征学习

基于摘要分析。该研究面向半监督文本分类（SSTC），针对少量标注文本引发的过拟合，以及未标注文本的错误赋标问题，提出 Self-Paced PairWise representation learning（SPPW），结合成对表征学习与自定步调文本筛选来改善学习过程。 机制上，SPPW 以成对方式的表征学习替代容易过拟合的参数化分类器学习；筛选方法同时考虑标签置信度与文本难度，以减少错误赋标文本的影响。摘要未说明样本配对策略、文本难度定义、筛选调度、损失函数及最终预测流程，这些细节需结合全文核对。 作者报告，在 3 个 SSTC 基准数据集上的实验中，SPPW 优于对照基线，并能缓解过拟合与错误赋标问题。摘要未提供数据集名称、标注比例、数据划分、基线配置、评价指标及具体数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，在少量标注与大量未标注 EEG 样本共存时，成对表征学习和兼顾置信度、难度的筛选机制可能有助于控制过拟合与伪标签噪声。可复用的是成对学习与样本筛选思路，文本编码器、配对规则和难度定义则需针对 EEG 改造。低信噪比、被试差异及通道配置变化可能使置信度失准，筛选也可能误删困难但有效的样本；小样本条件下配对还可能放大偶然相关。一个小规模可证伪实验是在固定被试内划分及标注比例下，比较原始半监督基线、仅成对学习、仅筛选和两者结合，检验分类表现与伪标签错误率是否同步改善。相关 EEG 工作尚未检索确认，原论文结果不构成 BCI 有效性证据。