当多模态不再有帮助：表征条件下的残余模态效用审计

基于摘要分析。本文研究辅助模态何时能改善预测，核心观点是：模态价值取决于主表征已经学到什么，而不是辅助模态自身的固定属性。作者提出 Incremental modality gain（IMG）与 Residual modality utility（RMU），分别衡量实际预测增益和辅助信号对主模型残余错误的解释能力。 IMG 在匹配的低容量预测头族下，衡量加入辅助模态带来的测试风险下降，并另设参数量控制。RMU 则考察辅助信号中无法由主表征预测的部分，是否能够解释主模型留下的目标误差。作者指出，跨模态可预测性既不意味着条件充分性，也不保证实际增益；RMU 是受模型容量条件约束的诊断量，不是条件互信息或普适的充分性检验。 作者在临床青光眼结构—功能任务、CMU-MOSI 和 AV-MNIST 上，比较从较弱或通用表征到更贴近任务表征的不同层级。作者报告，IMG 主要出现在较弱或适配不足的表征上，在更强、更适配的表征上趋近于零；RMU 与实际增益在各领域均相关，合并分析采用 seed-cluster bootstrap，Spearman ρ = 0.651，95% CI [0.483, 0.825]，两个公开基准的分领域置信区间均不包含零。作者还报告，该关系经负对照、缺失性及容量控制后仍成立，另对七个临床骨干模型的独立扫描呈现相同模式。具体样本量、划分、残差估计程序、对照实现及统计细节尚未验证。 平台推测（待验证）：该机制可用于检验 EEG 与辅助模态融合时，新增信息是否真正补充了主表征，而非仅增加容量。迁移依赖配对多模态数据及目标监督，可复用增益审计与容量控制思路，但需针对 EEG 的低信噪比、通道差异和跨被试变化调整残差估计。小数据可能使残差估计不稳定，并将噪声误作有用信息。一个可检验的小实验是，在固定跨被试划分、匹配预测头容量的条件下，比较不同适配程度 EEG 表征的 IMG，并检验 RMU 能否预测留出被试上的融合收益。此为迁移假设，非本文已验证结果；已有 EEG 相关工作尚未检索确认。