部分可观测条件下的多视图因果表征学习

该研究关注多个同步观测视图仅覆盖部分潜变量时，能否辨识其共享表征，提出统一的多视图因果表征学习框架。基于摘要分析，未取得论文全文；其主要贡献是可辨识性理论与图判据，而非已经验证的 EEG 或 BCI 方法。 框架允许每个视图由部分潜变量经非线性混合形成，潜变量之间可以存在因果关系。作者给出的理论结论是：在框架假设成立时，使用对比学习并为每个视图配置一个编码器，可以学习任意视图子集的共享信息，辨识精度达到光滑双射意义下的等价，而不应理解为逐一恢复真实潜变量及其原始坐标。作者还提出称为 identifiability algebra 的规则，通过图判据判断哪些潜变量可被辨识，并将多视图 nonlinear ICA、解耦表征与因果表征学习的既有结果纳入统一框架。 作者报告在数值、图像和多模态数据集上验证了理论主张，并在若干特殊设定下复现既有方法的表现。摘要未提供具体数据集、样本规模、评估指标或对照结果；定理的完整前提、对比学习目标、实验协议、消融及统计信息尚未验证。共享信息可辨识也不等于因果结构已经恢复。 平台推测（待验证）：其机制可能为同步 EEG 与其他模态之间的共享、模态特有因素分离提供理论参考。原方法依赖同步多视图及潜变量覆盖关系；用于 EEG 时，可考虑复用逐视图编码与对比学习思路，但需改造时序建模和视图定义，并核对噪声、混合映射及潜变量覆盖假设。低信噪比、跨被试差异、通道覆盖变化和小样本均可能破坏理论条件或使训练偏向共享伪迹。一个可证伪的小实验是构造已知共享与私有潜变量的同步合成 EEG 多视图数据，逐步改变通道覆盖和噪声，检验表征恢复是否符合图判据的预测；该实验仅用于评估机制，不构成 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。