Contrastive MIM：统一生成式与判别式表征学习的对比互信息框架

基于摘要分析。本文研究如何在同一表征学习框架中兼顾生成式与判别式任务，提出 Contrastive Mutual Information Machine（cMIM）：在 Mutual Information Machine（MIM）中加入对比目标。主要研究对象是分子与生物医学图像，而非 EEG 或 BCI。 机制方面，作者称 cMIM 不需要正样本数据增强，且对 batch size 的敏感性较低；这不等于无需正样本关系或其他训练条件。论文另提出 informative embeddings，一种无需额外训练、从编码器—解码器模型的解码器隐藏状态中提取丰富特征的方法。摘要未给出概率建模细节、对比样本构造、损失形式与权重，也未说明隐藏状态的选择和聚合方式，这些实现条件尚未验证。 评估涵盖 ZINC-15 相关分子性质预测任务（ESOL、FreeSolv、Lipophilicity）及 MedMNIST 生物医学图像分类。作者报告，相较 MIM 和 InfoNCE 基线，cMIM 提升下游 accuracy，同时保持相近的重建质量；摘要未提供各任务指标定义、具体数值、划分和统计信息，因此不能据此比较提升幅度，或将分类 Accuracy 直接套用于分子性质预测。实验协议、消融及统计信息尚未验证。作者提出其可扩展至分子、组学与成像等多模态场景，但摘要未展示相应验证结果，也不足以确认其已具备基础模型的跨任务泛化能力。 平台推测（待验证）：假设其减少对数据增强与 batch size 的依赖在 EEG 上也成立，可能缓解有效增强难设计及小批量训练的瓶颈。可尝试复用对比目标与 informative embeddings，但需改造信号编码器、解码器和重建目标；低信噪比、通道差异与跨被试变化可能使解码器特征偏向噪声或个体特征。一个可证伪的小实验是在固定 EEG 数据及跨被试划分下，比较 cMIM、MIM 与 InfoNCE 的分类 Balanced Accuracy 和重建误差，并改变 batch size 检查稳定性。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。