SmoothAlign：用于多模态表征学习与对齐的概率平滑方法

基于摘要分析。该研究针对多模态表征学习与对齐中的“语义重叠偏差”：常见目标将样本表示为确定性点，并同等排斥所有非配对观测，导致语义相关但身份不同的样本也受到较强排斥。作者提出 SmoothAlign，依据非配对样本的语义重叠程度调整排斥强度。 机制上，SmoothAlign 从编码器中间表征的高斯语义云构建经过置信度校准的分布先验，以概率方式平滑对齐约束。作者称证明了该方法具有保守的互信息下界；具体先验估计、置信度校准、损失形式及证明假设需查阅全文核对，不能仅凭摘要确定。 作者报告，SmoothAlign 在视频检索和图像—文本检索中均优于相应基线；在受控的 IEMOCAP 诊断中，对语义重叠的非配对样本施加了比普通负样本更强的排斥弱化。摘要未给出检索数据集、划分、指标、改善幅度及基线细节，实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG—刺激或 EEG—文本对齐任务存在“不同配对身份但共享语义”的样本，该机制可能用于缓解将其一律视为负样本造成的过度排斥。可复用部分是语义重叠加权思路；需改造 EEG 编码与分布估计，并依赖可靠的跨模态配对和足够样本支持。低信噪比、被试差异、通道配置差异及小数据可能使语义云反映噪声或被试身份，而非任务语义。可在固定跨被试划分下，对比原对齐目标与加入平滑后的版本，检查语义相关非配对样本的排斥变化及检索指标，检验该假设。已有 EEG 相关工作尚未检索确认。