用于 Pareto 前沿学习的曲率启发稀疏变换增强 LoRA 表示聚合

基于摘要分析。本文研究多任务学习（MTL）中的 Pareto 前沿学习（PFL），提出 Sparse Transformation enhanced Representation Aggregation（STeRA），以曲率启发的表示空间聚合替代单纯的 LoRA 线性插值，从而表达不同任务权衡下的非线性解结构。 作者指出，现有 LoRA 插值方法通常将权衡解限制在任务特定参数的凸包内，可能忽略任务目标局部曲率塑造的 Pareto 流形几何，因此增加 LoRA 秩未必带来预期收益。STeRA 不直接在参数空间建模曲率，而是通过最小化按任务权衡加权的局部二次目标近似，推导逐样本的曲率加权表示聚合。作者进一步在一定条件下建立从线性插值表示到曲率感知表示的变换存在性；这些条件及近似适用范围仍需全文核对。 实现上，方法不显式构造多个任务特定曲率矩阵或稠密变换，而用可学习的稀疏变换近似其作用：在相邻表示维度上进行独立平面旋转，旋转角度由样本和任务权衡共同决定，并将部分 LoRA 秩预算用于建模这些角度。其关键区别是让聚合随样本与权衡变化，而不只是调整线性插值系数。 作者报告，在多个 MTL 数据集的评估中，STeRA 在性能和参数效率上优于对照方法；摘要未提供数据集名称、指标、数值或预算匹配细节，实验协议、消融及统计信息尚未验证。复现需核对局部二次近似的条件、旋转角度生成方式、秩预算分配及 Pareto 前沿评估标准。 平台推测（待验证）：若 EEG 多任务模型具有共享表示、任务特定 LoRA 及明确的权衡目标，可假设其条件化稀疏旋转能够复用于任务间表示聚合，但需要适配输入编码与任务监督。低信噪比、跨被试分布变化、通道不一致和小样本可能使角度估计不稳定。可在固定 EEG 被试划分、监督数据和总可训练参数预算下，对比线性 LoRA 插值与 STeRA 的任务权衡表现，并核对多次运行稳定性。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。