S：用于提升视觉语言模型零样本泛化能力的同义语义空间

基于摘要分析。本文研究视觉语言模型 CLIP 在下游任务中的图像—文本语义错位，重点关注同一图像类别可由不同文本概念描述所带来的词汇变异问题。作者提出 Synonymous Semantic Space（S³），用每个类别的同义语义空间替代单一文本概念，以改善语义对齐与零样本泛化。 核心机制是先由大语言模型根据类别标签生成多个同义概念，再基于这些概念的 Vietoris-Rips complex 构建连续且紧凑的语义空间。推理时，方法比较图像嵌入与各类别语义空间的相似性；作者探索了多种点到空间度量，并提出 point-to-local-center 度量完成零样本预测。其方法上的区别在于不只扩充类别描述，而是进一步组织这些描述的空间结构，并相应改变相似性计算方式。具体空间构造参数、局部中心定义、是否需要额外训练及计算开销尚未验证。 作者报告，在涵盖细粒度零样本分类、自然分布零样本分类和开放词汇分割的 17 个基准上，S³ 优于所比较的最先进方法。摘要未给出各基准名称、划分、指标、具体分数与对照配置，因此不能判断收益大小或不同任务间的一致性；实验协议、消融及统计信息尚未验证。复现时需核对同义概念生成所用模型与提示、概念筛选规则、CLIP 配置，以及空间构造和度量参数。 平台推测（待验证）：若 EEG 任务已具备可与文本对齐的信号嵌入，该方法可能用于检验类别描述变化是否影响预测，而非直接作为 EEG 编码算法。可复用同义概念生成与空间度量模块，但需改造或训练 EEG—文本对齐模块；原摘要未说明该对齐所需的监督与数据规模。低信噪比、跨被试或通道变化导致的信号嵌入偏移，以及小数据下的对齐不稳定，可能使文本侧收益无法迁移。一个可检验的小实验是在固定 EEG 编码器和数据划分下，对比单一类别描述、同义描述平均表示与 S³，并测量描述改写后的性能波动。已有 EEG 相关工作尚未检索确认，原文结果不构成 BCI 有效性的证据。