Fourier-Attentive Representation Learning：面向视觉语言模型少样本泛化的 Fourier 引导框架

基于摘要分析。该研究面向预训练 Vision-Language Models（VLMs）的少样本泛化，针对图像表示中域不变结构与域特定风格相互纠缠的问题，提出 Fourier-Attentive Representation Learning（FARL），通过 Fourier 分析与注意力机制显式区分两类视觉线索。 其核心是双交叉注意力机制：可学习的表示 token 分别查询来自相位谱的结构特征和来自幅度谱的风格特征，再将得到的增强、解耦 token 注入 VLM 编码器深层以引导适应。框架还采用非对称注入策略，作者将其作用解释为促进更稳健的视觉—语言对齐。摘要未说明具体注入位置、训练目标、可训练参数范围及非对称设计细节；相位与幅度能否充分对应结构与风格，也需结合正文和消融核对。 作者报告在 15 个数据集上的实验支持该方法有效，但摘要未提供数据集名称、少样本设置、数据划分、对照基线或具体指标，因此无法判断增益大小及适用边界。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：可迁移的机制假设是以频域分解配合可学习查询，分别提取任务相关与域相关信息，可能用于探索 EEG 跨被试或跨会话表示纠缠问题。但 EEG 的相位和幅度都可能携带任务信息，不能直接沿用图像中“相位对应结构、幅度对应风格”的假设。可复用双交叉注意力思路，频域表征、通道处理及注入对象则需改造；原方法依赖预训练 VLM 和图像频谱，具体监督与数据规模要求尚不明确。低信噪比、通道差异及小数据条件下，分离过程可能误删判别信息或学习到伪迹。一个小规模可证伪实验是在固定跨被试 EEG 划分与训练预算下，对比原始表征、相位与幅度双查询、单查询及参数量匹配对照，检验双查询是否稳定改善同一指标。相关 EEG 工作尚未检索确认。