面向资源受限关键短语生成的表征学习

基于摘要分析。本文研究标注数据有限条件下的关键短语生成，提出利用大规模无标注文档和预训练语言模型学习任务特定中间表征，以缓解方法对大量标注数据的依赖；研究对象是文本生成，而非 EEG 或 BCI 信号解码。 方法先利用基于检索的语料级统计识别显著信息，再引入 salient span recovery（显著片段恢复）和 salient span prediction（显著片段预测）两种去噪训练目标，将文章内部及文章之间与关键短语生成有关的知识凝练到中间表征中。摘要未给出显著片段的选择规则、两种目标的具体形式、检索语料构成及后续生成模型的训练流程。 作者报告，在多个关键短语生成基准上的实验支持该方法用于低资源关键短语生成和零样本域适应，尤其有利于生成原文未显式出现的关键短语（absent keyphrases），其表现接近使用大规模训练集训练的模型。摘要未列出基准名称、数据划分、标注预算、评价指标、具体分数和对照模型，因此不能量化收益或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可借鉴的是“以语料级显著性引导自监督中间表征学习”的思路，但该机制依赖文本检索、片段结构及关键短语语义，不能直接等同于 EEG 的显著时段或神经事件。当前材料未建立其与 EEG 瓶颈的具体对应关系，不据此提出 BCI 有效性结论或复现实验方案；已有 EEG 相关工作尚未检索确认。