一次训练，随处部署：用于多模态推荐的 Matryoshka 表征学习

基于摘要分析。本文研究多模态序列推荐中丰富物品信息与高效推理之间的矛盾，提出轻量级框架 fMRLRec（full-scale Matryoshka representation learning for multimodal recommendation），通过学习不同粒度、不同维度的物品表征，支持一次训练后按部署需求使用不同规模的模型。研究对象是推荐系统，而非 EEG 或 BCI。 机制上，fMRLRec 使用映射将不同模态的物品特征投影至对齐的特征空间，再通过高效线性变换将较小特征嵌入较大特征，结合改进的状态空间建模支持多维度表征。作者称该设计可降低大规模推荐训练的内存需求；但摘要未给出映射与线性变换的具体形式、训练目标、状态空间模块细节，以及不同维度模型的提取和推理流程。 作者报告，在多个基准数据集上，fMRLRec 相较先进基线取得更好的性能与效率，并公开代码和数据。摘要未提供数据集名称、划分方式、评价指标、具体数值及资源测量条件，因此尚不能量化其收益，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可变维度表征可能为资源受限的 EEG 解码部署提供思路，但这只是跨领域假设。原方法依赖多模态物品特征和序列推荐数据，迁移时需将物品特征映射替换为 EEG 表征接口，并将推荐训练目标改为相应解码目标；可尝试复用嵌套表征及多维度训练机制。低信噪比、跨被试差异、通道变化和小样本可能使低维表征丢失关键判别信息。一个可证伪的小实验是在固定 EEG 任务、同一被试内划分下，比较一次训练得到的不同维度表征与分别训练的等维度基线，同时记录 Accuracy、推理延迟和峰值内存；该实验仅检验部署权衡，不代表跨被试有效。相关 EEG 工作尚未检索确认。