学习表征与协同不变性：面向可泛化多模态人脸反欺骗的可证明框架

基于摘要分析。本文研究多模态人脸反欺骗（FAS）在未见域中的泛化退化，提出 Multimodal Representation and Synergy Invariance Learning（RiSe），分别约束模态表征与模态间协同关系的跨域不变性；研究对象是多种视觉模态，而非 EEG 或 BCI。 作者将问题分为两类风险：其一，攻击样本多样、真实样本相对紧凑的类别非对称性会增大泛化误差上界，且该影响在多模态情形下进一步放大；其二，模型可能过拟合源域特有的模态间相关性，这种虚假协同无法泛化至目标域的未见攻击。上述理论结论的假设、界的形式及适用范围尚需全文核对。 针对表征风险，Asymmetric Invariant Risk Minimization（AsyIRM）在径向空间学习不变的球形决策边界以适配非对称分布，同时在角向空间保留域线索。针对协同风险，Multimodal Synergy Disentanglement（MMSD）采用跨样本混合与解耦的自监督任务，旨在增强模态内在且可泛化的特征。作者报告理论分析与实验支持 RiSe，并称其达到跨域最优性能；摘要未给出具体视觉模态、数据集、划分、对照方法和指标数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“区分稳定模态信息与域特有模态相关性”的机制，可作为 EEG 联合其他生理信号进行跨被试或跨会话域泛化的候选思路，但 FAS 的真假类别非对称性不能直接套用于 EEG 任务。复用前需核对源域划分、类别监督及跨样本混合所需结构，并改造信号编码器和保持标签语义的混合规则；低信噪比、通道不一致及小数据可能使解耦不稳定，甚至破坏真实跨模态协同。可在已有多模态生理数据上固定编码器与划分，分别加入 AsyIRM、MMSD 及二者组合，检验跨被试表现与混合操作的影响。相关 EEG 工作尚未检索确认。