SelfMask：面向模态缺失场景下多模态表征学习的跨模态自掩码方法

基于摘要分析。SelfMask 针对采集成本、隐私限制或数据损坏导致的多模态数据不完整问题，通过自适应掩码表征学习补全缺失模态，并以跨模态一致性约束增强表征的语义可靠性。 方法的核心是从数据中学习信息性掩码，而非随机采样掩码。在训练阶段，框架预测缺失模态的表征；为避免依赖不可获得的缺失模态真值，作者引入跨模态一致性损失，要求预测表征既与语义内容对齐，又能支持对已观测模态的重建。摘要未给出语义对齐的具体监督来源、损失形式，以及训练和推理阶段的完整流程，这些细节尚未验证。 作者报告，在 MIMIC-IV 与 CMU-MOSEI 的多种模态缺失场景下，该方法改善了预测准确性和对模态缺失的稳健性；作者还报告，消融实验中的学习式掩码优于传统随机掩码。摘要未提供具体数值、指标定义、数据划分、缺失模式及比例，因此不能判断收益幅度，也不能直接比较不同缺失协议下的表现。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于 EEG 与其他信号联合建模时的模态缺失问题，但依赖模态间具有可学习的对应关系，并有足够的共同观测数据支持训练。可复用的部分是学习式掩码与一致性目标，需要改造的是 EEG 编码器、跨模态对齐及重建目标。低信噪比、被试差异、通道配置变化和小数据可能使补全表征偏向其他模态，未必保留任务相关 EEG 信息。可先在具有配对模态的数据上固定跨被试划分和缺失协议，对比 SelfMask、随机掩码及仅使用可用模态的基线，检验学习式掩码是否改善下游任务表现。上述迁移尚非论文已验证结论，已有 EEG 相关工作尚未检索确认。