具有因子分析潜在空间的多视图层次变分自编码器

基于摘要分析。本文研究异构、混合类型多视图数据的共享信息建模，提出 FA-VAE，将多个 Variational AutoEncoders（VAE）与 Factor Analysis 潜在空间结合，以构建分离视图私有信息与跨视图共享信息的层次生成模型。 机制上，每个 VAE 将对应视图映射为连续的私有潜在表示，再通过线性投影矩阵与低维共享潜在空间建立联系。相较于把全部视图融合进复杂非线性潜在空间的思路，作者希望借此改善可解释性、灵活性和模块化程度。作者提出该结构支持后续加入新视图、对预训练模型进行条件化、跨域生成数据，以及生成模型之间的迁移学习；这些能力的具体实现与验证范围尚未核对。 摘要未提供数据集、样本规模、评价指标或定量对照。实验协议、消融及统计信息尚未验证；复现前还需核对训练目标、各层潜变量的推断方式、新视图接入时的训练要求，以及跨视图样本的配对与缺失处理规则。 平台推测（待验证）：若 EEG 与其他模态具备可对齐的多视图样本，该私有—共享分解可能用于区分模态特有变化与共同任务信息，对应异构信号难以直接融合的瓶颈。可复用部分是视图独立编码与共享因子空间，需改造部分是 EEG 时序编码和跨模态对齐。低信噪比、被试差异、通道变化及小样本可能使共享因子捕获伪相关，线性共享结构也可能不足以描述复杂模态关系。可在固定被试内划分、配对多模态数据上，对照独立 VAE、直接非线性融合与 FA-VAE，检验其跨视图重建是否改善，并测试移除一种视图后的稳定性。已有 EEG 相关工作尚未检索确认。