DisCoM-KD：通过解耦表征与对抗学习进行跨模态知识蒸馏

基于摘要分析。该研究针对训练与测试所含模态集合不一致的跨模态知识蒸馏问题，提出 DisCoM-KD，将解耦表征学习与对抗域适应结合，把多模态训练数据中的知识迁移至单模态分类器。其主要区别是同时学习各单模态分类器，而不必先训练多模态教师分类器，再分别训练各学生模型。 机制上，DisCoM-KD 根据下游任务，显式提取每种模态的 domain-invariant、domain-informative 和 domain-irrelevant 特征，以区分不同类型的信息。摘要未交代这三类表征的具体定义、约束方式、对抗目标及推理流程，因此不能据此确定损失形式或网络结构。 作者报告，在三个标准多模态基准上，与近期知识蒸馏框架比较，DisCoM-KD 在涉及重叠与非重叠模态的不匹配场景中表现更好。摘要未提供基准名称、数据划分、指标、数值及具体对照方法；实验协议、消融及统计信息尚未验证，也无法判断优势出现的条件与稳定性。 平台推测（待验证）：若 BCI 任务具有训练阶段可获得辅助模态、部署阶段仅保留 EEG 的数据条件，这种信息解耦与联合学习机制可能用于研究辅助模态知识向 EEG 分类器的迁移。可复用的是表征解耦与对抗对齐思路，需改造的是 EEG 编码器、辅助模态接口及任务监督；其对配对、时间对齐和监督规模的要求需核对全文。低信噪比、跨被试差异、通道变化及小样本可能导致负迁移，或使对齐过程削弱任务信息。一个可证伪的小实验是在固定跨被试划分、仅用训练被试辅助模态的条件下，比较 EEG 单模态基线、传统教师—学生蒸馏与该框架，并检查去除解耦或对抗机制后的变化。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。