AdaptiveEmbed：用于多模态检索的样本自适应多向量表示

基于摘要分析。本文研究多模态检索中不同样本的表示容量分配问题，提出 Sample-Adaptive Multi-Vector Representation（SAMVR）：不再为所有样本分配相同数量的向量，而是依据额外向量对样本检索的效用，确定其 content-adaptive embedding set（CAES）的大小，并以 AdaptiveEmbed 框架实现这一设定。 机制上，AdaptiveEmbed 使用 Multi-Group Contrastive Learning（MGCL）与对称的 set-to-set similarity（SetSim）学习结构化多向量表示，再通过 Utility Policy Optimization（UPO）和 Marginal Utility Allocation（MUA）决定样本级表示容量。其核心区别是将容量分配从固定配置变为内容相关决策；但摘要未提供 SetSim 的计算公式、效用估计方式、策略优化目标，以及容量决策在训练和推理阶段的具体流程。 作者报告，在涉及图像、文本、视频和音频的多模态检索基准上，样本自适应容量分配的总体检索表现优于固定容量多向量表示。摘要未列出基准名称、数据划分、指标和数值，因此尚不能判断收益幅度，也不能确认是否在相同总向量数、存储或计算预算下比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若应用于 EEG 与文本或其他模态的检索，其可迁移假设是不同 EEG 样本需要不同数量的表示向量，潜在对应 EEG 信息量与试次难度不均的问题。可考虑复用集合相似度与容量分配思想，但需改造 EEG 编码器，并具备配对检索数据或其他有效监督；原方法依赖的数据规模尚不明确。低信噪比可能使策略将噪声误判为额外容量需求，跨被试、通道差异及小数据也可能使效用估计不稳定。一个可证伪的小实验是在固定 EEG 编码器、跨被试划分和相同总向量预算下，比较固定容量、随机分配与效用驱动分配，检查检索收益是否稳定存在。已有 EEG 相关工作尚未检索确认。