面向广义零样本学习的增强特征表示对齐

该研究针对广义零样本学习（GZSL）中视觉与语义潜在空间的对齐问题，提出增强特征表示对齐方法 AEFR，以非对称 VAE、门控注意力和对比学习改善潜在表示。基于摘要分析，原研究对象是视觉—语义跨模态学习，并非 EEG 或 BCI。 机制上，作者认为，缺少细粒度实例级标注时，现有跨模态 VAE 方法容易发生后验坍塌。AEFR 为视觉观测和语义观测分别设计非对称编码器，并使用一个视觉重建解码器；视觉编码器中的 gated attention mechanism（GAM）用于增强观测与潜变量的信息交互。另一个组件 distributional decoupling-based contrastive learning（D2-CL）旨在学习与分类相关的信息，同时在潜在空间的类别体系层面对齐表示。摘要未给出门控计算、分布解耦方式、损失公式及训练流程，尚不能判断各组件的独立贡献。 作者报告在公开数据集上的实验达到最先进性能，并提供了代码地址；但摘要未列出数据集名称、已见与未见类别划分、评价指标、具体分数或对照方法，因此该性能结论尚待全文核对。实验协议、消融及统计信息尚未验证，代码的可运行性与复现条件也尚未核实。 平台推测（待验证）：若 EEG 任务具有可用于跨类别共享的语义描述，可假设将视觉编码器替换为 EEG 编码器、将重建目标改为 EEG 特征，探索类别语义对齐对未见类别识别的帮助；这依赖可靠的类别语义与足够的已见类训练数据。EEG 低信噪比、跨被试差异、通道变化及小样本可能使模型优先重建无关变化，或造成语义对齐失效。一个可检验的小实验是在固定被试内协议下划分已见与未见类别，对比基础跨模态 VAE、加入 GAM、加入 D2-CL 及完整模型，并分别评价已见与未见类别表现。该方案仅是迁移假设，已有 EEG 相关工作尚未检索确认。