以多样性实现统一：改进多模态 VAEs 的表征学习

基于摘要分析。本文研究多模态 Variational Autoencoders（VAEs）中共享表征学习的约束问题，提出以 mixture-of-experts prior 替代模态间的硬性共享约束，软性引导各模态的潜在表征趋向共享聚合后验，同时保留各模态原始特征中的信息。 核心机制：摘要指出，已有架构通过共享编码器输出、解码器输入或两者来形成共享表征，这会对模型施加硬约束。本文转而采用软约束协调各模态的潜在表征。其阅读重点在于共享聚合后验与各模态表征的关系，以及该先验如何兼顾跨模态一致性和信息保留；先验的具体参数化、损失形式、训练与推理流程尚未验证。 结果与证据边界：作者报告，在多个基准数据集及两个具有挑战性的真实世界数据集上，相比已有方法，所学潜在表征与缺失模态插补均得到改善。摘要未给出数据集名称、模态类型、样本规模、划分协议、对照方法或具体指标，因此不能判断提升幅度及其适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可对应 EEG 与其他同步模态联合建模时，共享表示可能压缩模态特有信息的问题。迁移假设依赖具有对应关系的多模态观测；可考虑复用软性潜在对齐机制，但需改造时序编码、采样对齐及缺失模态处理。EEG 低信噪比、通道差异、跨被试分布变化与小样本均可能使共享聚合后验受到噪声或优势模态主导。一个可证伪的小实验是在固定数据划分、编码器容量和训练预算下，对比硬共享与该软约束方案，分别评估完整模态与缺失模态条件下的表征及插补表现；已有 EEG 相关工作尚未检索确认。