面向多模态表征学习的类别概率生成建模

基于摘要分析。该研究针对多模态表征学习中模态差异可能导致的对齐偏差，提出 Class-anchor-ALigned generative Modeling（CALM）：以类别锚点作为提示，生成并对齐各模态的类别概率分布，同时引入跨模态概率变分自编码器建模对齐不确定性。 其核心思路是将类别概率分布作为跨模态对齐的对象，而非仅依赖常规对比学习。摘要将类别锚点提示与不确定性建模作为主要机制，但未交代锚点的构建方式、所需标签或类别语义、生成目标、损失形式及推理流程，这些实现条件尚未验证。 作者报告，在四个基准数据集上的实验优于所比较的当前先进方法，尤其在域外评估中表现突出。摘要未提供数据集名称、具体指标、数值、划分方式及基线配置，因此尚不能量化其改进幅度，也不能将域外结果等同于 EEG 的跨被试或跨数据集泛化；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与另一模态共享任务类别，类别概率空间可能为异构信号提供共同对齐接口，变分建模则可能用于表达模态间对应关系的不确定性。可考虑复用类别锚点及概率对齐模块，但需改造 EEG 编码器，并核对其对配对数据、类别监督和数据规模的依赖。低信噪比、被试差异、通道配置变化和小样本可能造成类别概率失准，使错误预测相互强化。一个可检验的小实验是在具有共享类别和配对 EEG 数据的固定跨被试划分上，比较对比学习基线、类别概率对齐及加入不确定性建模的版本，保持编码器与监督条件一致，同时检查任务指标及概率校准。已有相关 EEG 工作尚未检索确认。