层级引导的多模态表征学习用于生物分类推断

基于摘要分析。本文研究大规模野外生物多样性数据中的生物分类预测，利用标本图像、DNA 条形码或二者推断目、科、属或物种，核心贡献是在多模态表征中显式编码生物分类层级，并支持模态缺失或受损时的灵活推理。 作者提出两个端到端变体：CLiBD-HiR 引入 Hierarchical Information Regularization（HiR，层级信息正则化），通过跨分类层级的约束塑造嵌入空间几何；CLiBD-HiR-Fuse 在此基础上训练轻量级融合预测器，支持仅图像、仅 DNA 及联合输入。其主要对照思路是将生物分类视为扁平标签空间的多模态方法。摘要未提供 HiR 的具体损失形式、模态编码器结构及融合训练细节。 作者报告，在大规模生物多样性基准上，相较强多模态基线，分类 Accuracy 提升超过 14%，且在 DNA 不完整或受损条件下增益尤为明显。但摘要未明确该数值属于相对提升还是百分点差异，也未列出数据集名称、划分方式、基线、各分类层级结果及损坏强度，因而不能进行精确横向比较；实验协议、消融及统计信息尚未验证。 本文依赖生物分类层级与图像—DNA 多模态数据，原始研究对象并非神经信号。现有材料未建立这些层级监督与 EEG/BCI 任务之间的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。