具有理论保证的主动多任务表征学习

基于摘要分析。本文研究源任务与目标任务数据均有限时的多任务表征学习，提出面向线性表征的主动学习算法，通过估计各源任务与目标任务的相关性来调整源任务采样，旨在提高样本效率与计算效率。 核心机制是将自适应采样与交替投影梯度下降（GD）及最小化步骤结合：算法迭代估计任务相关性，并依据估计结果从不同源任务采样。摘要未说明相关性的定义、采样分配规则、具体目标函数或投影约束。作者报告给出了算法的收敛保证以及样本复杂度和时间复杂度分析，但其成立条件、复杂度表达式和适用范围尚未验证。 作者报告在合成数据、MNIST-C 和 MovieLens-100K 上开展实验，并与四种基准算法比较。摘要未提供基准名称、任务构造、数据划分、采样预算、评价指标或具体结果，因此不能据此确认提升幅度，也不能判断理论优势是否在各类数据上均得到验证。实验协议、消融及统计信息尚未验证；复现前需核对线性表征假设、源任务采样权限、目标任务监督需求及计算预算。 平台推测（待验证）：若将不同被试或会话定义为源任务，把新被试或新会话定义为目标任务，其“估计相关性后分配采样预算”的机制可能对应 EEG 跨被试或跨会话学习中源数据效用不均的问题。可复用的是任务相关性估计与主动采样思路；需改造的是 EEG 表征、通道对齐及试次采样接口。低信噪比、通道差异和小样本可能使相关性估计不稳定，线性共享表征也未必能覆盖被试差异。一个可检验的小实验是在固定目标任务标签量和源任务总采样预算下，比较相关性驱动采样与均匀采样，采用相同表征模型及预先固定的跨被试划分，检验目标任务表现与估计稳定性。该迁移尚非论文已验证结论，已有 EEG 相关工作尚未检索确认。