频谱对多模态表征与融合更有效：一种多模态频谱谣言检测器

基于摘要分析。本文研究社交媒体图文内容的多模态谣言检测，提出 Frequency Spectrum Representation and fUsion network（FSRU），将特征转换到频域，通过频谱表征与融合提取用于判断谣言的信息，而非直接围绕空间与序列位置进行 token 交互。 机制上，FSRU 包含 Fourier transform、单模态频谱压缩和跨模态频谱协同选择三个部分，并结合双重对比学习。作者将现有方法的局限归结为单模态表征判别性不足，以及融合过程对复杂位置依赖的敏感性与时间开销；频域处理旨在提供另一种信息组织与筛选方式。摘要未说明变换作用的具体特征轴、压缩与协同选择的计算方式、对比学习的正负样本构造或损失定义。 作者报告，多模态谣言检测实验取得了令人满意的表现，但摘要未列出数据集、划分协议、对照基线、指标数值或计算开销，因而尚不能量化其相对优势，也不能将标题中的“更有效”视为跨任务结论。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设频谱压缩与跨模态协同选择能够抑制冗余，其可迁移机制可能是对 EEG 与另一同步模态进行频域信息筛选，而非直接复用谣言分类器。原方法依赖图文配对及谣言检测监督；迁移需要重新定义 EEG 的变换轴、频谱对应关系与对比样本。低信噪比、跨被试频谱差异、通道布局变化及小数据均可能使筛选模块保留伪相关或丢失任务信息。可在一个已有同步 EEG 多模态数据集上，固定编码器、训练预算与跨被试划分，对比原融合模块和频谱融合模块，并分别消融压缩与协同选择，检验分类表现及推理开销。相关 EEG 工作尚未检索确认。