利用句法对齐负样本的无监督句子表征学习

基于摘要分析。该研究针对无监督句子表征学习中数据增强可能引入的语义不一致与特征抑制问题，提出句法对齐负样本（Syntactically Aligned Negative，SAN）生成方法，并配合 Hierarchical-InfoNCE（HiNCE）对比学习目标，改善负样本的构造与利用。 核心机制是采用语义重要性感知的 Masked Language Model（MLM），量化各词的语义贡献，生成与原句具有较高文本重合度、但表达不同含义的负样本。HiNCE 则通过差异化温度加权利用批内负样本与 SAN。摘要未说明语义贡献的计算方式、句法对齐的具体约束、负样本筛选规则及温度配置，因此尚不能据此还原完整训练流程。 作者报告，在七个语义文本相似度基准上的广泛评估中，相较所比较的先进模型取得一致改善。摘要未提供基准名称、具体分数、数据划分、基线配置或统计不确定性；实验协议、消融及统计信息尚未验证，尤其需要核对 SAN 与 HiNCE 各自的贡献及二者的交互效果。 原论文的研究对象是文本句子表征，而非 EEG 或 BCI。其负样本构造依赖词级语义贡献与文本结构，材料尚未建立这些条件与神经信号的具体对应关系，不能将文本评估收益视为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。