NMF-SVAE：发现用于结构化情绪表征学习的数据驱动模块化先验

基于摘要分析。该研究面向自然语言情绪识别，针对情绪类别共现结构未被充分利用的问题，提出 NMF-guided Sparse Variational Autoencoder（NMF-SVAE），将数据驱动的情绪模块作为潜在表征的结构先验；其主要研究对象不是 EEG 或 BCI。 方法首先对 GoEmotions 进行 Non-negative Matrix Factorization（NMF，非负矩阵分解），结合可视化与社区分析识别可解释的情绪模块。随后通过由 NMF 初始化并冻结的解码器，将每个潜在维度锚定到对应模块，再以 ℓ1 稀疏约束和对齐目标鼓励选择性、可解释的潜在激活。相较依赖 Valence-Arousal-Dominance 等固定心理学维度的结构化 VAE，其区别在于从数据中的细粒度情绪类别分布构建潜在结构；这不等于冻结后的模块会在迁移中自动更新。摘要未给出对齐目标的具体形式及完整训练流程。 预训练编码器通过 head-wise gated fusion 接入 RoBERTa-Large 分类器，旨在不重新训练 NMF-SVAE 编码器的情况下，将结构化情绪知识迁移到新的标签空间。作者报告，在七个基准上的实验中，五个数据集取得最佳 F1，六个取得最佳 Recall。摘要未列出完整数据集名称、指标平均方式、对照基线、划分及数值，因而不能判断提升幅度或直接比较不同任务；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 情绪任务具有足够可靠的多标签标注或情绪共现信息，模块先验与稀疏激活机制可能用于检验情绪表征的可解释性。该假设依赖标注结构与样本规模，可复用模块构建及约束思路，但需改造 EEG 编码器和融合接口，不能直接沿用文本分类器。低信噪比、跨被试差异、通道变化及小数据可能使共现模块不稳定，或使语言情绪结构不适用于 EEG。可在同一跨被试划分下，仅用训练集构建先验，比较加入与不加入模块约束的同一 EEG 模型，并检验分类指标和模块稳定性。相关 EEG 工作尚未检索确认。