共享几何作为罗塞塔石碑：无需配对数据的跨模态对齐

基于摘要分析。本文研究独立训练的不同模态模型能否在没有配对样本的情况下建立跨模态对应，提出以粗粒度几何初始化驱动的 Wasserstein Procrustes 方法。作者报告，不同表示空间中的共享几何足以支持粗粒度跨模态对齐，并可用于无需配对样本的文本到图像生成。 核心机制是在两个互不重叠的嵌入集合之间估计单一正交映射，不使用样本配对关系。研究以 Platonic Representation Hypothesis 为背景，检验不同模态模型是否自然形成可对应的表示几何；其贡献不是重新训练多模态基础模型，而是对独立训练的表示进行几何对齐。摘要未提供初始化细节、优化目标的具体形式、求解过程或生成模块的连接方式。 作者报告，在所评估的多个数据集、模态及单模态模型上，该方法能够一致地实现无配对对齐，标准几何对齐指标可以预测何时能够对齐。在极少配对样本的条件下，作者报告其方法明显优于现有方法；加入更多配对样本后，仍与依赖配对的方法保持竞争力。摘要未列出数据集名称、样本规模、基线、指标或数值，不能据此判断细粒度语义对应、生成质量及不同协议下的优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若独立训练的 EEG 表示与刺激文本或图像表示具有足够一致的几何结构，该方法可能降低跨模态对齐对配对数据的依赖。这一假设依赖嵌入空间的可比性与语义覆盖，原领域有效不等于 BCI 有效。可复用部分是正交映射与几何对齐评估，需改造 EEG 编码、时间窗及通道处理；低信噪比、跨被试差异、通道变化和小样本可能破坏几何一致性，单一正交映射也可能不足以描述差异。一个可检验的小实验是使用已有 EEG—刺激配对数据，在固定编码器与独立测试划分下隐藏训练配对关系，比较无配对对齐和少量配对对齐的跨模态检索表现，并核对几何指标能否预测成功。相关 EEG 工作尚未检索确认。