DecAlign：用于解耦多模态表征学习的分层跨模态对齐

基于摘要分析。该研究面向通用多模态表征学习，提出 DecAlign 分层跨模态对齐框架，旨在将表征解耦为模态特有与模态共有特征，在缓解模态间分布差异的同时保留互补语义信息；摘要并未将 EEG 或 BCI 作为研究对象。 机制上，针对模态异质性，DecAlign 采用原型引导的最优传输对齐，结合高斯混合建模与多边际传输计划，以缓解分布差异并保留模态特有特征。针对模态共性，框架通过潜在分布匹配与 Maximum Mean Discrepancy（MMD）正则化增强跨模态语义一致性，并利用多模态 transformer 融合高层语义特征。具体解耦约束、各项损失的组合与权重、训练和推理流程尚未验证。 作者报告，在四个常用多模态基准上，DecAlign 在五项指标上均优于所比较的现有最先进方法；摘要未给出基准名称、指标名称、数值、划分协议及基线配置，因此目前无法判断优势幅度与适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于具有同步或可建立对应关系的 EEG 与其他模态数据，其“共有／特有”解耦机制可能对应跨模态共享任务信息与 EEG 特有动态并存的需求。原型对齐、MMD 正则化及融合模块可作为候选组件，但需改造 EEG 编码与时间对应方式，并核对原方法对配对数据、监督信号及样本规模的依赖。低信噪比、跨被试差异、通道配置变化和小样本可能使原型估计不稳，或使对齐抹去任务相关信息。一个可检验的小实验是在固定跨被试划分、相同 EEG 编码器与训练预算下，比较直接融合与加入解耦对齐的方案，再分别移除最优传输和 MMD，检验其对任务表现及模态特有信息保留的影响；该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。