用于开放意图检测的三元组对比表征学习策略

基于摘要分析。本文研究对话系统中的开放意图检测：既要正确分类训练中出现过的已知意图，也要识别训练样本中未出现的未知意图。作者提出 triplet-contrastive 表征学习策略，并结合自适应决策边界构成 Triplet-Contrastive Adaptive Boundary（TCAB），旨在区分语义相近的未知意图与已知意图。 核心动机是：将已知意图特征约束到紧凑区域，并假定未知意图位于这些区域之外，未必足以处理分布在已知意图之间的未知样本。TCAB 因而同时关注语义表征的判别性与开放意图检测边界。摘要未披露三元组构造、对比样本选择、损失形式，以及边界的学习和校准方式，这些机制细节尚未验证。 作者报告，在三个基准数据集的实验中，该方法相较一组基线取得显著改进；但摘要未提供数据集名称、已知与未知意图划分、评估指标、具体数值及基线配置，无法据此判断增益幅度或比较条件。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，若 EEG 开放集任务中的未知类别也可能落在已知类别之间，则判别表征与自适应边界的联合设计可能具有参考价值，而非直接沿用文本语义编码器。该路径依赖已知类别监督及未知类别评估划分，需要改造 EEG 编码器、样本配对规则与边界校准；低信噪比、被试或通道差异及小样本可能使距离结构失真。一个小规模检验是在固定被试内划分下，将某一类别完全排除于训练，比较相同 EEG 编码器搭配普通分类边界与 TCAB 思路时的已知类别识别及未知类别检出表现。以上不是本文已验证的 EEG 结果；已有 EEG 相关工作尚未检索确认。