用于多任务模型合并的表征手术

基于摘要分析。本文研究如何将多个独立训练的模型合并为统一的多任务模型，重点处理合并模型与各任务独立模型之间的表征分布差异。作者提出 Surgery，通过轻量级任务特定模块估计合并表征中的偏差，并以无监督表征对齐目标优化该模块。 核心机制：Surgery 以合并模型的表征为输入，尝试输出其中的表征偏差；优化目标是缩小合并模型表征与独立模型表征之间的距离。摘要未给出距离函数、偏差校正的具体运算、模块结构，以及是否冻结原模型等细节。论文将不收集各任务原始数据进行联合训练作为模型合并的应用背景，但这并不等于 Surgery 优化不需要输入数据；其数据来源、访问权限与样本配对方式尚未验证。 作者报告，将 Surgery 应用于现有先进模型合并方案后，多任务性能得到显著改善。摘要未提供具体任务、数据集、对照方案名称、指标或数值，无法判断改善幅度及计算开销；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多个 EEG 任务模型具有兼容的骨干结构、表征维度和输入定义，合并后的表征偏移可能是多任务性能下降的一个来源，Surgery 的任务特定校正与独立模型表征参照可作为候选机制。需改造 EEG 输入和通道适配，并明确优化所用无标签数据的来源；低信噪比、跨被试差异与小数据可能使校正模块拟合噪声，独立模型自身的偏差也可能被保留。一个可检验的小实验是在固定数据划分下，对结构兼容的多个 EEG 任务模型比较直接合并与加入 Surgery，分别检查各任务指标、表征距离和推理开销，验证距离缩小是否伴随任务性能改善。该假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。