MultiLoReFT：通过低秩表示微调解耦多模态学习中的共享与模态特异子空间

基于摘要分析。本文研究多模态学习中大规模对齐配对数据难以获取，以及共享信息与模态特异信息相互纠缠的问题，提出 MultiLoReFT：利用预训练单模态模型进行低秩表示微调，学习可解释的投影子空间，以分离两类信息并支持多模态预测。 核心机制是将低秩适配扩展到多模态表示学习，通过投影子空间显式呈现共享与模态特异信息在不同模态中的分布。研究重点不仅是融合后的预测能力，也包括表示的可解释性与可控性。摘要未说明投影的具体参数化、共享子空间的约束方式、损失函数、监督形式、训练时需要多少配对样本，以及预训练模型哪些部分被更新；不能据此认定方法无需配对数据。 作者报告，该方法在模拟与真实世界基准上得到支持多模态预测的表示，并显式揭示共享与模态特异信息的分布。摘要未提供基准名称、样本规模、划分协议、对照方法或定量指标，因此尚不能判断其相对其他融合或微调方法的性能与效率优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与另一模态存在可对齐的共同任务信息，同时各自保留独有信息，这类子空间分离机制可能用于检验融合模型是否过度依赖单一模态。可考虑复用低秩投影思路，但需改造 EEG 编码、时间对齐及缺失模态处理；其可行性依赖配对数据结构、监督信号和预训练表示质量。低信噪比、被试差异、通道变化及小数据可能使子空间捕获噪声或被试身份，而非稳定的共享任务信息。一个可检验的小实验是在已有配对 EEG 多模态数据上固定编码器，比较普通融合与低秩子空间分离，在一致的跨被试划分下评估任务性能及单模态遮蔽后的变化，以检验解耦是否改善泛化与模态互补性。已有 EEG 相关工作尚未检索确认。