Synoptic Information：联合表征学习的变分原理

基于摘要分析。研究讨论如何联合压缩同一系统的两个高维含噪视图，使表征保留共同结构，同时灵活舍弃视图特有细节。作者提出 Synoptic Information 的信息论描述与双温度变分原理，以两个压缩视图之间的共享比特量刻画双方表征相互预测的信息保留，且不依赖外部教师。 机制上，作者通过泛函优化推导两个编码器的精确耦合自洽方程，并提出广义迭代算法求解。对于多元高斯输入，作者报告 Synoptic Information 可按 canonical correlation modes 分解并获得闭式解析解；最优解在双温度平面上的相图呈现活跃模式嵌套区域之间的相变。该框架还在极限情形下连接典型相关分析与 information bottleneck。其理论价值在于把共同结构提取与信息压缩置于同一可分析框架，但摘要不足以核对温度参数的具体作用、算法收敛条件，以及非高斯输入下的求解与评估表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，将同步 EEG 的两组通道或两种特征构成配对视图，通过共享信息压缩提取跨视图稳定结构，可能缓解冗余与部分视图特有噪声。可复用的是双编码器自洽优化思路；需要改造的是 EEG 视图构造、非高斯分布处理与有限样本估计。共同伪迹可能被误当作共享结构，而低信噪比、通道变化及被试差异也可能使任务相关信息被压缩掉。一个可检验的小实验是在固定被试内训练／测试划分上，比较该方法与典型相关分析对两组同步 EEG 通道的表征质量，并检查受控伪迹扰动下的稳定性；这不是已验证的 BCI 结果，已有 EEG 相关工作尚未检索确认。