通过单模态编码与跨模态预测进行多模态对比学习，用于多模态情感分析

基于摘要分析。本文研究多模态情感分析中的表征学习，提出 MultiModal Contrastive Learning（MMCL），联合学习模态内特征与模态间交互，试图兼顾稳健的单模态表征和与情感相关的跨模态信息。 核心机制包括：通过单模态对比编码及单模态特征增强策略，抑制声学与视觉模态中的固有噪声；使用 pseudo siamese network（伪孪生网络）进行跨模态表征预测；再以实例级和情感级两类对比学习任务促进预测过程，学习与情感相关的交互信息。摘要未提供特征增强操作、网络结构、损失形式，以及情感级对比任务所需监督信息的具体定义。 作者报告，在两个公开数据集上的实验优于所比较的 state-of-the-art 方法；但摘要未列出数据集名称、评价指标、具体数值、划分方式及对照方法，因而无法判断优势幅度或比较条件。实验协议、消融及统计信息尚未验证，代码与复现配置亦尚未验证。 平台推测（待验证）：若具有同步采集、可配对且带情感监督的 EEG 与声学或视觉数据，该框架可能为多模态情感识别提供一种可检验的机制假设，即先稳定各模态表征，再通过跨模态预测学习共享信息。可考虑复用对比学习与跨模态预测思路，但 EEG 编码器、特征增强和时间对齐需重新设计；低信噪比、跨被试差异、通道配置变化及小样本条件可能使增强破坏情感线索，或使跨模态预测依赖非目标相关性。一个小规模检验是在固定跨被试划分下，对比单模态基线、仅单模态对比编码以及加入跨模态预测的版本，并保持训练数据和评价指标一致。上述仅为迁移假设，不是本文已验证的 EEG 或 BCI 效果；相关 EEG 工作尚未检索确认。