CLCR：用于多模态学习的跨层级语义协同表征

基于摘要分析。该研究面向多模态学习中的共享与私有信息建模，针对将所有模态投射到单一潜在空间可能忽略异步、多层级语义结构的问题，提出 Cross-Level Collaborative Representation（CLCR），以分层交互和跨层聚合缓解语义错位及误差传播。 核心机制包括三个部分：语义层级编码器将各模态特征组织为浅、中、深三个语义层级，并进行跨模态对齐；Intra-Level Co-Exchange Domain（IntraCED）在每一层将特征分解为共享与私有子空间，通过可学习的 token 预算将跨模态注意力限制在共享子空间；Inter-Level Co-Aggregation Domain（InterCAD）使用学习得到的锚点同步语义尺度，选择性融合共享表征，并通过门控纳入私有线索。作者还引入正则项，约束共享与私有特征的分离并减少跨层干扰，具体损失形式尚未验证。这里对私有信息交换的限制属于表征交互设计，不应等同于隐私保护保证。 作者报告，在覆盖 emotion recognition、event localization、sentiment analysis 和 action recognition 的六个基准上，CLCR 取得较强性能并具有跨任务泛化表现。摘要未提供基准名称、模态组合、划分协议、对照方法或具体指标，因此无法判断增益幅度，也不能将跨任务表现解读为已验证的 Cross-dataset 或 Cross-subject 泛化；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与其他模态同时包含任务共享信息和模态特有线索，分层共享—私有分解可能为多模态 EEG 表征提供可检验的机制假设，但原研究对象是通用多模态学习，并非已验证的 BCI 方法。复用前需确认其配对数据与监督要求，并改造适配 EEG 时序的编码、语义层级和跨模态对齐。低信噪比、通道变化、被试差异及小数据可能导致共享子空间误吸收噪声，或使门控抑制有效的私有线索。可在一个具备配对 EEG 与其他模态的数据集上固定编码器和训练划分，比较完整机制、取消共享子空间限制及取消跨层聚合的版本，并在严格隔离被试的评估中检验增益是否稳定。已有相关 EEG 工作尚未检索确认。