MMRL++：面向视觉-语言模型的参数高效、交互感知表示学习

基于摘要分析。该研究针对预训练视觉-语言模型（VLMs）在少样本适应时易过拟合的问题，提出 Multi-Modal Representation Learning（MMRL），通过共享表示空间连接图像与文本编码器，并进一步提出强调参数效率和模态内交互的 MMRL++。主要研究对象是视觉-语言迁移学习，而非 EEG 或 BCI。 MMRL 构建可学习、模态无关的共享表示空间，将其中的 space tokens 分别投影为文本和图像编码器中的 representation tokens。这些 token 被插入编码器较高层，以适应任务特定特征，同时保留低层的一般知识。训练时联合优化 class 与 representation 特征：representation tokens 使用可训练投影层，class token 的投影层保持冻结；另以冻结 VLM 的零样本特征为参照，对 class 与文本特征施加对齐正则。摘要未给出具体损失公式及权重。 推理采用解耦策略：base 任务同时使用 class 和 representation 特征，novel 任务仅使用 class 特征，作者将此归因于后者更强的泛化能力。MMRL++ 在此基础上减少可训练参数，并增强模态内、尤其是不同层 representation tokens 之间的交互，以促进梯度共享与实例特定信息传播；具体连接方式和参数规模尚未验证。 作者报告，在 15 个数据集上的实验中，MMRL 与 MMRL++ 持续优于所比较的现有先进方法，并兼顾任务适应与泛化。摘要未列出数据集名称、少样本配置、划分、基线、指标及数值，因此无法量化优势或判断不同协议下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，在具有预训练 EEG 编码器及配对文本监督的条件下，共享表示 token 与冻结特征约束可能缓解小样本适应中的知识遗忘。可复用的是 token 适应和冻结参照机制，需改造的是 EEG 输入接口、跨模态配对及类别文本定义；低信噪比、通道差异、跨被试偏移和有限配对数据均可能使其失效。一个可检验的小实验是在固定跨被试划分及相同标注预算下，对照冻结编码器线性探测、token 适应及加入冻结特征约束后的表现，分别评估已见与未见类别。该设想不构成已验证的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。