超越不变性：多模态学习中分布偏移的逐因子选择性处理

基于摘要分析。本文研究多模态学习中的分布偏移问题，提出 FaShift：不再统一抑制与环境相关的变化，而是根据潜在表征因子的预测作用与跨环境稳定性，选择性地抑制、保留或衰减其贡献。研究对象是通用多模态学习，并非 EEG 或 BCI。 机制上，FaShift 对多模态表征进行因子化，并结合分布变化、干预效应和跨环境稳定性诊断各因子，将其区分为无预测作用、稳定有预测作用，以及有预测作用但不稳定的三类。其核心主张是：发生偏移的信息不必全部删除，处理方式应取决于其预测价值及稳定性。具体因子化方式、干预如何实施、诊断指标、损失函数及训练与推理流程尚未验证。 作者报告，在 MOSI、MOSEI 和 CH-SIMS 上，FaShift 的分布内（ID）Accuracy 与 F1 均为所比较方法中最佳。对于分布外（OOD）评估，相较于报告 OOD 结果的最强竞争方法，作者报告 MOSI 的 Accuracy/F1 分别提高 1.5/3.6 个百分点，MOSEI 分别提高 1.7/2.7 个百分点，并在 CH-SIMS 上取得最佳已报告 OOD Accuracy 与 F1。摘要未给出具体划分、偏移构造、基线名称或绝对分数，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多模态 EEG 数据中的跨被试或跨会话变化同时包含任务相关成分与干扰成分，逐因子选择性处理可能比统一不变性约束更合适。这一假设依赖可用的多模态观测、任务监督及足以估计稳定性的多个训练环境；可复用的是因子诊断与选择性处理思路，编码器、因子化及干预定义需适配神经信号。低信噪比、通道差异及小样本可能使任务成分与伪迹混合，导致错误抑制。可在固定的多模态 EEG 跨被试留出协议下，对比统一不变性与选择性处理，并单独移除因子诊断检验其贡献；已有 EEG 相关工作尚未检索确认。