NegoCollab：面向异构协同感知的共同表征协商方法

基于摘要分析。该研究面向感知模型不同且固定的多智能体协同感知，提出 NegoCollab，通过训练阶段的协商器从各模态智能体的局部表征中构建共同表征，缓解共享中间特征的域差异。其核心贡献是不再把某个指定智能体的表征直接作为所有参与者的对齐目标。 机制上，协商器综合各模态的局部表征，以降低共同表征与不同局部表征之间的固有差异；sender 与 receiver 成对实现局部表征空间和共同表征空间之间的双向转换。训练除采用分布对齐损失外，还引入结构对齐损失与 pragmatic alignment loss，以促进局部表征对齐到包含多模态信息的共同表征，并将其中的知识蒸馏到 sender。各损失的数学定义、监督信号及协商器的具体实现尚未验证。 作者报告，在基于共同表征的协同方法比较中，NegoCollab 显著优于现有方法；但摘要未提供数据集、感知任务、评估指标、数值或具体对照，因此尚不能核对增益大小与适用范围。实验协议、消融及统计信息尚未验证；复现还需确认特征对应关系、训练数据需求，以及各模块在训练和推理阶段的使用方式。 平台推测（待验证）：若不同 EEG 编码器具有可建立对应关系的局部特征，协商共同表征可能用于缓解异构编码器之间的对齐偏置；这是假设，不是已验证的 EEG 或 BCI 效果。可考虑复用协商与双向映射思路，但需改造时序及通道结构对齐，并核对所需配对数据和监督信号。低信噪比、通道不一致、跨被试差异和小样本可能使共同表征丢失任务相关信息。一个可检验的小实验是在固定 EEG 编码器及相同训练数据预算下，对比指定单一编码器表征与协商表征，使用严格隔离被试的划分评估下游任务性能；已有 EEG 相关工作尚未检索确认。