HiCTE：面向不完整多模态表征学习的层次化跨专家可迁移性估计

基于摘要分析。该研究针对输入模态部分缺失时的多模态表征学习，提出 Hierarchical Cross-Expert Transferability Estimation（HiCTE），旨在将整体表征的粗粒度跨专家迁移，细化为面向目标专家、潜在维度和具体样本的可迁移性估计。 机制上，HiCTE 将各观测模态建模为概率潜在空间，并从潜变量方差推导可靠性。全局估计器结合潜在信息与可靠性，为各目标专家生成初始可迁移性估计；训练期间再通过局部迭代优化进行样本级细化，并通过这些更新反向传播梯度以训练全局估计器。模型据此为目标专家构建跨专家表征及残差表征，再与自身表征进行自适应加权整合。其核心区别在于迁移信息的选择粒度，而非直接向不同目标专家传递完整的观测表征。 作者报告，在三个多模态基准的不同缺失协议下，实验支持 HiCTE 的有效性。摘要未提供基准名称、任务、划分方式、缺失机制、指标、数值或对照方法，因此尚不能判断收益大小及适用边界；具体损失、局部更新规则、计算开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与其他同步模态联合建模时存在模态缺失，该方法的可靠性估计与目标特异迁移机制可能具有参考价值，但其依赖可用于学习跨模态关系的数据及专家结构。可复用部分是可迁移性估计与融合机制，需改造模态编码器并核对潜变量方差能否反映 EEG 质量；低信噪比、跨被试分布变化及小数据可能使可靠性失准。一个可检验的小实验是在固定跨被试划分和相同编码器下，比较整体表征迁移与 HiCTE 式细粒度迁移，并分别评估随机缺失及质量相关缺失条件。上述不是已证实的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。