解构多任务主动学习：梯度冲突悖论与正交分解

基于摘要分析。本文研究多任务主动学习（MTL-AL）中如何协调不确定性、多样性和梯度冲突等采样目标，提出将目标线性组合改为结构化解耦的框架。主要研究对象是通用多任务数据选择，摘要中的验证数据集为 COCO、Cityscapes 和 NYUv2，并非 EEG 或 BCI。 框架包含三个部分。首先，作者提出“梯度冲突悖论”：作者报告，在候选样本排序时惩罚梯度冲突，比完全不将冲突纳入评分更差；因此采集函数不再评分梯度冲突，而在训练阶段通过 gradient surgery 处理任务间干扰。其次，Orthogonal Decomposition 将采样拆为信息性筛选和覆盖最大化两个阶段，旨在先排除信息量不足的离群样本，再追求多样性，避免作者所称的“多样性稀释”。第三，Cross-Task Mutual Information（CTMI）利用 MC-dropout 得到的任务熵构造基于协方差的跨任务依赖统计量；其精确定义及与互信息的关系需核对全文。 作者报告，在上述三个数据集上，与近期 MTL-AL 和数据选择基线相比取得一致改进，但摘要未给出具体任务组合、标注预算、划分、指标或数值。作者关于线性标量化局限及结构调整优于增量启发式设计的论述，也需结合正文中的适用条件与对照验证。摘要提供了代码地址，但实现、复现配置、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 场景具有共享样本的多个预测任务、未标注候选池及有限标注预算，可检验其采样与优化解耦机制是否有助于降低标注成本。可复用两阶段采样流程，但需改造 EEG 表征、覆盖距离与任务不确定性估计；低信噪比、跨被试差异、通道变化和小数据可能使高熵样本主要反映噪声或域偏移。一个小规模可证伪实验是，在固定被试划分、候选池和标注预算下，对照线性加权采样与两阶段采样，并分别开关训练阶段的 gradient surgery，报告各任务表现及重复实验波动。已有 EEG 相关工作尚未检索确认。