DecAlign：用于解耦多模态表征学习的分层跨模态对齐

基于摘要分析。DecAlign 针对多模态数据异质性造成的协作与融合困难，将表征解耦为模态特有特征与模态共有特征，并通过分层跨模态对齐兼顾互补信息保留和共享语义一致性；原研究对象是通用多模态表征学习，而非 EEG 或 BCI。 机制上，作者使用结合 Gaussian mixture modeling 与多边际传输计划的原型引导最优传输策略，旨在减小模态间分布差异，同时保留模态特有属性；对共有特征，则通过潜在分布匹配与 Maximum Mean Discrepancy（MMD）正则化强化语义一致性。框架还引入 multimodal transformer 进行高层语义融合。摘要未交代解耦的具体实现、各目标如何联合优化，以及原型和传输计划的估计方式。 作者报告，在四个常用多模态基准上，DecAlign 在五项指标中均优于所比较的现有先进方法；但摘要未列出基准名称、指标名称、数值、数据划分或对照配置，因此不能据此判断提升幅度及跨任务稳定性。实验协议、消融及统计信息尚未验证。摘要提供了项目页与代码地址，但代码内容及复现条件尚未核查。 平台推测（待验证）：若用于具有样本配对和共享任务语义的 EEG 多模态数据，其共有／特有表征解耦可能有助于区分任务相关共享信息与模态互补信息。复用时仍需改造信号编码器，并核对方法对配对结构、监督信息和样本规模的依赖；低信噪比、跨被试偏移、通道变化及小样本可能使原型估计不稳，或使对齐削弱有用的模态特有信息。一个可检验的小实验是在固定跨被试划分的配对 EEG 多模态任务中，比较普通融合与该解耦对齐方案，并分别移除最优传输和 MMD 项，观察任务性能及单模态信息保留情况。已有 EEG 相关工作尚未检索确认，此迁移假设不代表已证实的 BCI 收益。