通过方差不变概率解码实现公平的多任务表征学习

基于摘要分析。本文研究多任务学习中因任务差异导致部分任务主导训练、其他任务学习不足的问题，提出 variance-invariant probabilistic decoding for multi-task learning（VIP-MTL）。核心贡献是在任务特定表征空间中统一分布尺度，而非仅从损失或梯度层面调节任务影响。 机制上，VIP-MTL 将任务无关的共享表征解码为任务特定的概率分布，再通过方差归一化将其约束到一致尺度，以平衡各任务对训练的影响。摘要未披露概率分布类型、解码器结构、损失形式及归一化的具体实现，这些细节尚未验证。 作者报告，在两个语言基准、相同多任务设置下，VIP-MTL 优于 12 种对比方法，尤其适用于异质任务和数据受限场景；作者还报告其对采样分布具有稳健性、优化过程高效，并具有任务损失尺度不变性，学得的任务特定表征也更具信息量。摘要未提供基准名称、指标、具体分数及数据划分，不能据此判断收益幅度或不同任务是否均获改善；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多任务训练中的任务支配与表征尺度差异有关，该机制可能提供损失加权之外的调节路径。可复用的是共享表征到任务特定概率分布的解码与方差归一化；需改造 EEG 编码器、任务输出及监督目标。原方法依赖多任务训练数据，但对标签完整性、任务配对方式和数据规模的要求尚未验证。低信噪比、跨被试差异、通道配置变化及小样本可能导致方差估计不稳，统一尺度也不等于消除任务冲突。 一个可证伪的小实验是假设在具有两个明确监督任务的 EEG 数据上，固定编码器、被试划分与训练预算，对照普通共享表征、损失平衡方法及加入 VIP-MTL 的实现，分别检查各任务指标和多次运行稳定性，验证是否减少弱势任务受损而不牺牲其他任务。以上不是原论文结果；已有 EEG 相关工作尚未检索确认。