Conditional-$t^3$VAE：面向公平生成的均衡潜在空间分配

基于摘要分析。该研究面向类别不平衡的图像生成，旨在缓解 VAE 的全局先验使潜在空间分配随训练集类别频率变化、尾部类别代表不足的问题。作者提出 Conditional-$t^3$VAE，通过按类别定义 Student's t 联合先验，使潜在空间分配更均衡，而非仅依靠重尾分布提高鲁棒性。 核心机制是为各类别建立潜在变量与输出变量的 Student's t 联合先验，并使用由 γ-power divergence 推导的闭式目标进行优化；生成阶段采用各类别等权的 Student's t 潜在混合分布，实现类别平衡采样。相较于原有 $t^3$VAE，其主要变化是显式处理类别间的潜在空间分配，而不仅是将 Gaussian 先验替换为重尾先验。目标函数的具体形式、类别条件的实现方式及训练流程尚未验证。 作者报告，在 SVHN-LT、CIFAR100-LT 和 CelebA 的评估中，该方法较 $t^3$VAE 及 Gaussian-based VAE 基线取得更低的 FID，尤其在严重类别不平衡条件下；在所有高度不平衡设置的逐类 F1 评估中，也优于 conditional Gaussian VAE。作者同时报告，轻度不平衡（ρ < 5）时 Gaussian-based 模型仍具竞争力。摘要未给出具体分数，ρ 的定义、数据划分、逐类 F1 的计算协议、消融及统计信息尚未验证；FID 与逐类 F1 不能互相替代，需结合正文判断其对生成质量与类别覆盖的证据范围。 平台推测（待验证）：若 EEG 生成任务具备明确类别标签，该机制可能用于缓解少数类别生成不足，但原论文依赖图像及类别监督，其效果不能直接迁移到 EEG。可复用的是类别条件先验和等权采样，需改造时序编码器、解码器及信号质量评估；低信噪比、被试差异、通道配置变化和少数类样本不足可能使类别先验估计不稳定。一个可检验的小实验是在固定跨被试划分、仅用训练被试拟合生成模型的条件下，比较三类 VAE 的少数类生成质量及其对真实测试 EEG 分类的影响。已有 EEG 相关工作尚未检索确认。