1. Background
likelihood of confusion：新商标与旧已有商标太像，会引起混淆，所以不允许。
低资源：深度学习模型会对小样本标注数据表现好（我觉得怪怪的……）：(1) 迁移学习+finetune（对超参敏感）(2) 弱监督或远程监督
可解释性
2. 数据集
（说要公布但是还没有公布）由两部分组成：
- 525个样本：有从5个角度来衡量相似性的中间标签。分成训练集/验证集/测试集。
- 2852个样本：全都作为训练集。
- augment：
我没有搞懂这个augment数据集的标签数据是怎么得来的，意思是跟clean数据中相似的句子有一样的中间标签？然后最后标签就直接求最大值？阈值是什么？我看跟人工筛选的规则也不一样啊，没有各feature之间的关联？
3. 模型
3.1 主模型
3.2 curriculum learning
实现中间标签生成时使用的curriculum learning：
3.3 不做多任务范式的原因
（实验部分也拿多任务作为baseline了）
4. 实验
4.1 baseline：RoBERTa
- End-to-End
- 多任务
4.2 实验设置
4.3 主实验结果
中间标签的预测结果：
4.4 Calibration（这一部分还没看懂）
Expected Calibration Error (ECE)
5. 文献阅读思考
不管怎么想我还是觉得这个任务应该用多模态范式来做，比如对比图片和发音。（我看到Analytics and EU Courts: The Case of Trademark Disputes这一篇真的用了CV，我心满离）
6. 代码复现
这数据集都没放出来，代码也没放出来，我issue提了也不回，无法复现。
