对比表征学习的几何机制：对齐势、熵驱动分散与跨模态散度

基于摘要分析。本文研究 InfoNCE 对比学习中超出经典“对齐—均匀性”分解的几何机制，提出在固定嵌入流形上描述表征测度演化的测度论框架，重点解释单模态与对称多模态情形为何具有不同的总体几何结构。 作者报告，在大批量极限下证明了目标值与梯度的一致性，将随机目标与显式确定性能量景观联系起来。单模态情形下，内禀能量严格凸，并存在唯一的 Gibbs 平衡；作者据此将熵的作用解释为在已对齐的吸引域内进一步选择平衡状态。上述结论所需的具体数学假设及适用边界尚未验证，不能直接推广到任意有限批量训练。 在对称多模态情形下，作者指出内禀几何存在交叉耦合，并包含持续存在的负对称散度项：每个模态的边缘分布都会重塑另一模态的有效能量景观，因此较强的配对对齐仍可与持续存在的模态间隙共存。作者报告，受控合成实验及预训练 CLIP 表征分析支持这些预测；摘要未提供具体模型版本、数据划分、指标或效应大小，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将这一视角用于 EEG 与图像或文本的配对表征学习，可检验“配对相似度提高是否足以改善跨模态边缘结构”这一假设。可复用的是对齐与分布几何分开分析的框架，需改造的是 EEG 编码、配对构造及距离度量；低信噪比、被试差异、通道变化与小样本可能使分布估计不稳，且有限批量条件未必满足理论极限。一个小规模检验是在固定跨被试划分与编码器设置下，同时记录配对对齐、模态间隙及下游任务表现，观察三者是否同步改善。已有 EEG 相关工作尚未检索确认。