MM-Path：多模态、多粒度路径表征学习

基于摘要分析。本文研究智能交通中的路径表征学习，针对既有预训练方法主要依赖道路网络拓扑、难以利用路径相关图像中的几何与上下文信息的问题，提出 MM-Path，将道路路径与图像路径整合为通用路径表征。 核心机制包括两个部分：多粒度对齐策略将道路节点、道路子路径和完整道路路径与对应图像块关联，以兼顾局部细节与全局上下文；基于图的跨模态残差融合组件则用于融合不同模态、不同粒度的信息。其方法重点是处理道路结构与图像之间的粒度差异及模态异质性，而非单纯增加图像输入。摘要未说明具体图构造方式、编码器、损失函数及预训练监督要求。 作者报告，在两个大规模真实世界数据集、两项下游任务上验证了 MM-Path 的有效性；但摘要未给出数据集名称、任务定义、划分方式、对照基线或具体指标，因此无法量化其收益或判断泛化范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与另一模态之间存在可靠的局部—全局对应关系，多粒度对齐与跨模态残差融合可能为异质信号融合提供参考。该假设依赖可构建的跨模态对应关系，不能把道路节点与图像块的空间关联直接等同于神经信号关联。可复用的是对齐与融合思路；需改造粒度定义、图构造和模态编码。低信噪比、跨被试差异、通道变化及小样本均可能使对齐失效。一个可证伪的小实验是在具有同步配对模态的数据上，固定编码器和数据划分，比较单模态、简单融合与多粒度对齐融合，并加入配对打乱对照，检验收益是否依赖真实对应关系。相关 EEG 工作尚未检索确认。