学习如何共享：用于医学多任务学习的最优传输

基于摘要分析。该研究面向医学多任务学习中的知识共享问题，提出 ASK-OT（ASymmetric Knowledge sharing via Optimal Transport），将共享表征中的知识模块向各任务的分配建模为资源分配问题，使共享模式随任务的表征需求学习，而非由预定义任务分组决定。 机制上，ASK-OT 从共享表征学习一组知识模块，并通过最优传输进行任务分配。模块容量约束允许模块被多个任务共享，任务约束松弛则允许不同任务获取不同数量的知识，从而形成任务特定、非对称的共享模式。摘要称论文对这种非对称共享进行了理论刻画，但传输代价、约束形式、优化过程及理论成立条件尚未验证。 作者报告，ASK-OT 在实验中优于代表性基线；摘要未提供具体医学任务、数据集、样本规模、划分协议、基线名称或评价指标，因此无法判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证。作者表示代码将在论文被接收后提供，这不代表当前已接收或代码已公开。 平台推测（待验证）：若 EEG 多任务研究具有可复用的共享表征及多个相关任务，该模块分配机制或可用于检验统一共享是否会掩盖任务间需求差异；这是假设，并非已证实的 BCI 效果。可复用部分是知识模块与最优传输分配机制，需改造 EEG 编码器、任务定义和监督配置。低信噪比、跨被试或通道差异可能使分配依据偏向噪声，小数据也可能导致模块与分配不稳定。一个可检验的小实验是在固定 EEG 数据划分、编码器和监督量下，对比统一共享与 ASK-OT 分配，分别检查各任务指标及分配稳定性。相关 EEG 工作尚未检索确认。