Connectivity-contrastive learning：结合因果发现与表征学习的多模态数据方法

基于摘要分析。本文研究每个节点包含多维或多模态观测、且潜在变量经未知混合过程纠缠时的因果发现问题，提出 connectivity-contrastive learning（CCL），旨在同时解开观测混合并恢复潜在成分及其节点间因果结构。这里的多模态指节点内部具有多种观测，不应直接等同于 EEG 与其他生理信号的融合。 机制上，CCL 提取一组相互独立的潜在成分，每个成分具有各自的节点间因果结构；其自监督代理任务是根据一对节点的观测预测该节点对的标签。摘要未展开标签的构造、采样方式、损失形式及模型结构。作者报告，在其所述较弱技术假设下，理论可保证潜在成分与多模态因果结构在一定不确定性范围内可辨识；具体假设与不可辨识变换尚需核对全文。 作者报告，在文中实验条件下，CCL 的因果发现性能优于所比较的先进基线，并表现出对潜在混杂因素的鲁棒性。摘要未提供数据集、样本规模、评价指标、基线名称或数值，实验协议、消融及统计信息尚未验证，不能据此判断其在真实神经信号中的效果。 平台推测（待验证）：若 EEG 研究能够定义具有多维观测的节点，并建立与该理论一致的混合及因果生成假设，CCL 的表征解混与结构学习联合机制可能有助于研究观测混合对连接估计的影响。可复用的是自监督节点对学习思路，需改造并核对节点定义、观测编码与标签构造；体积传导、低信噪比、潜在成分不独立及小样本可能使其假设不成立。一个可证伪的小实验是在已知潜在因果图的模拟多通道信号上，逐步增加混合与噪声，比较 CCL 和适用基线的结构恢复表现，再决定是否开展真实 EEG 验证。已有 EEG 相关工作尚未检索确认。