Banyan：利用显式结构改进表征学习

基于摘要分析。Banyan 面向低资源、多语言 NLP 的语义表征学习，研究显式层次结构能否弥补既有结构化模型与 transformer 表征之间的性能差距。其核心贡献是将多个成分结构整合为包含全局上下文的共享树，并通过对角化消息传递强化结构归纳偏置。 机制上，作者提出 entangled tree structure，将多个 constituent structures 汇入单一共享结构；另一项改动是 diagonalized message passing functions。摘要未说明树的构建方式、消息传递公式、训练目标或推理流程，因此尚不能判断结构是预先给定还是学习得到，也不能确定具体计算与存储开销。 作者报告，最终模型仅有 14 个非嵌入参数，并在多语言语义任务中优于此前的结构化模型、可与规模大多个数量级的基线竞争，尤其适用于低资源设置。该参数数字不包含嵌入参数，不能视为模型总参数量。摘要未列出任务、语言、数据集、划分、指标与具体基线；“竞争力”及效率、可解释性优势仍需结合全文验证，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的迁移假设是，以显式层次结构为小样本 EEG 表征引入约束，但自然语言成分树并不直接对应 EEG 的通道或时间结构。可复用候选为共享层次结构与受约束消息传递，需改造节点定义、结构构建与信号输入模块；低信噪比、跨被试差异及通道配置变化可能使结构先验失配。一个小规模可证伪实验是在固定的 EEG 被试内划分中，对比有无层次结构及对角化消息传递的同等容量模型，并检查小训练集条件下的收益是否稳定。该假设并非原论文已验证的 EEG/BCI 结果，相关已有 EEG 工作尚未检索确认。