M3CoL：通过多模态 Mixup 对比学习利用共享关系进行多模态分类

基于摘要分析。该研究面向多模态分类，试图突破跨模态对比学习对显式一对一关系的依赖，通过 M3CoL 学习多个样本与模态之间更丰富的共享关系。核心贡献是基于 Mixup 的对比损失，并将其与融合模块、提供训练期辅助监督的单模态预测模块结合。 机制上，作者将某一模态中的混合样本与其他模态中相应的样本对齐，以学习共享关系，而不只处理简单的成对关联。摘要未说明混合权重、对应样本的具体定义、正负样本构造、损失公式及各训练目标的权重，这些细节需通过全文核对。 作者报告，在 N24News、ROSMAP、BRCA 和 Food-101 上进行了多模态分类实验；相较所比较的方法，M3CoL 在前三个数据集上表现更优，在 Food-101 上表现相当。摘要未给出具体指标、数值、数据划分或基线配置。这里的跨领域表现是作者对多个数据集结果的概括，不能等同于经过统一 Cross-dataset 协议验证的域泛化能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若具备配对的 EEG 与其他模态数据及分类标签，该机制可能用于检验一对一对齐之外的共享信息是否有助于融合。可复用的是 Mixup 对比目标和单模态辅助监督思路；模态编码器、时间对齐与混合策略需要改造。假设是混合操作能保留任务相关的跨模态对应关系，但 EEG 低信噪比、跨被试差异、通道配置变化及小数据条件可能破坏这一前提。一个可证伪的小实验是在固定 Cross-subject 划分、相同编码器与训练预算下，对比常规成对对比学习和 M3CoL 式目标，并分别移除 Mixup 与单模态辅助监督，以检查增益来源。已有 EEG 相关工作尚未检索确认。