基于 β-广义化前门准则的干预式不平衡多模态表征学习

基于摘要分析。本文研究多模态预测中不同模态贡献失衡的问题，从因果视角构建 Structural Causal Model，并提出 β-generalization front-door criterion 及相应网络，以探索多模态判别知识。研究对象是通用多模态表征学习，并非已验证的 EEG 或 BCI 方法。 作者按模态对任务预测的贡献区分主导模态与辅助模态，指出已有基准方法通常在训练阶段增强贡献较小的辅助模态。作者报告，其经验探索对这一策略的基本思路提出质疑，并将相关局限概括为理论可解释性不足及判别知识探索能力有限。所提方法试图在考虑辅助模态的条件下，捕获主导模态判别知识与预测标签之间的因果关系。 摘要称提供了理论分析和多项实证评估，但未给出前门识别条件、β 的定义、网络结构、损失或干预实现方式，也未提供数据集、划分、基线和具体指标，因此尚不能核对收益幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与其他同步模态的贡献存在失衡，该因果建模思路可能用于研究模型是否过度依赖单一模态。迁移假设依赖可对齐的多模态样本、任务标签及成立的因果识别条件；可考虑复用模态贡献分析与因果目标，编码器和时序对齐则需适配神经信号。低信噪比、跨被试差异及小数据可能使贡献估计不稳定，也可能使识别假设失效。小规模可证伪实验可在固定被试划分下，对比原始融合、辅助模态增强与该方法，并单独扰动各模态，检查预测性能及模态依赖是否同步改善。已有 EEG 相关工作尚未检索确认。