Conditional-tVAE：面向公平生成的均衡潜空间分配

基于摘要分析。该研究针对类别不平衡图像数据中的生成公平性问题，提出 Conditional-t³VAE，通过按类别定义 Student's t 联合先验，使潜空间分配不再被多数类主导，并构建用于类别均衡生成的等权潜变量混合分布。原始标题使用 Conditional-tVAE，摘要中的方法名为 Conditional-t³VAE，两者的命名对应尚需全文核对。 核心机制：作者认为，使用全局先验的 VAE 会在潜空间中反映训练集的类别频率，导致尾部类别代表不足；已有 t³VAE 虽通过重尾 Student's t 先验增强鲁棒性，仍存在潜空间体积随类别频率分配的问题。新方法在潜变量与输出变量上定义逐类别 Student's t 联合先验，采用由 γ-power divergence 推导的闭式目标进行优化，并在生成阶段使用各类别等权的 Student's t 潜变量混合。具体参数化、类别条件的注入方式及潜空间分配的测量方法尚未验证。 作者报告，在 SVHN-LT、CIFAR100-LT 和 CelebA 的类别不平衡评估中，该方法相较 t³VAE 与 Gaussian-based VAE 基线取得更低 FID，严重不平衡时优势更明显；在所有高度不平衡设置的逐类别 F1 评估中，优于 conditional Gaussian VAE。作者同时报告，Gaussian-based 模型在轻度不平衡比率 ρ≲3 时仍具有竞争力。摘要未提供具体分数、ρ 的定义、数据划分或 F1 评估流程；实验协议、消融及统计信息尚未验证，不能据此量化公平性改善幅度。 平台推测（待验证）：若 EEG 生成任务具有明确类别标签且存在类别不平衡，可检验“逐类别重尾先验与等权采样有助于少数类生成覆盖”的假设。可复用部分是条件先验、优化目标与采样机制，需改造 EEG 编码解码模块及信号质量评估；低信噪比、跨被试差异、通道不一致和少数类样本过少可能使模型放大噪声或记忆训练样本。一个小规模检验是在固定训练不平衡比例、独立真实测试集和相同生成预算下，对照 conditional Gaussian VAE 与该方法，评估少数类生成信号的时频特征及下游逐类别 F1，避免直接套用图像 FID。相关 EEG 工作尚未检索确认。