HyperRep：基于超图的自监督多模态表示学习

基于摘要分析。本文研究通用多模态数据的自监督表示学习，针对既有方法可能忽视模态内与模态间复杂高阶关联的问题，提出 HyperRep，将超图建模与自监督多模态融合信息瓶颈结合，以学习融合表示；摘要未涉及 EEG 或 BCI 验证。 机制上，超图用于表示模态内及模态间的高阶关系，信息瓶颈原则则用于约束解空间、促进多模态融合。值得核对的是二者如何协同，而不只是分别引入关系建模和表示约束。摘要未披露超边构建方式、信息瓶颈目标的数学形式、自监督信号、训练与推理流程，因此尚不能判断其对模态配对、样本规模或监督信息的具体依赖。 作者报告，在四个公开数据集、三项下游任务上，HyperRep 相对先进方法持续取得有竞争力的结果。摘要未提供数据集与任务名称、指标数值、划分协议及具体对照，不能据此量化提升或外推跨数据集泛化能力；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于配对的 EEG 多模态数据，超图机制可能帮助建模跨模态及模态内的多元关联，信息瓶颈可能用于约束融合表示中的冗余。该假设不等于已证实的 BCI 效果。可复用的是高阶关系建模与融合约束思路，需改造的是节点、超边及时间对齐方式；低信噪比、被试差异、通道差异和小样本可能使超图捕获伪关联，瓶颈也可能丢弃弱任务信号。取得全文与实现后，可在固定被试划分的配对 EEG 多模态数据上，对照完整方法、去除超图模块及去除信息瓶颈约束的版本，检验两部分是否带来稳定增益。已有 EEG 相关工作尚未检索确认。