超越单一表征：调控多模态自监督学习中的共享与模态特有信息

基于摘要分析。本文研究多模态自监督学习中共享信息与模态特有信息的取舍：预训练阶段未知的下游任务可能需要不同信息组合，单一固定表征未必能满足这些需求。作者提出偏好条件化框架 STEER，在一个模型内学习一族可调节表征，并在预训练后按下游任务选择工作点，无需重新训练表征模型。 机制上，STEER 以定义在单纯形上的偏好向量控制共享信息与模态特有信息的平衡，通过低秩偏好条件化适配连续调节表征。摘要未说明具体训练目标、偏好采样方式，以及下游偏好选择是否依赖标签或验证集；“无需重新训练表征模型”也不等于无需下游训练或选择成本。 作者报告，在受控多模态设置中，所学偏好空间能够恢复预期的共享与独有信息结构，并相对固定表征基线扩展可达的 Pareto 区域；在真实世界多模态设置中，同一预训练模型为不同任务选择不同工作点，并在若干任务上优于固定表征基线。摘要未提供数据集、样本规模、任务名称、指标及数值，实验协议、消融及统计信息尚未验证。作者还认为，选中的偏好可解释任务所偏好的模态信息平衡，并指出其对神经影像等科学应用的潜在价值，但摘要不足以确认具体神经影像实验或 BCI 效果。 平台推测（待验证）：若配对多模态神经数据同时包含跨模态共享成分与任务相关的模态特有成分，STEER 的可调表征可能适用于比较不同信息平衡，而非固定采用同一种融合策略。可复用偏好条件化与低秩适配机制，但需改造信号编码、时间对齐和任务选择协议；EEG 低信噪比、通道差异、跨被试变化及小样本条件可能使偏好选择追随噪声。一个可检验的小实验是在固定的配对 EEG 多模态数据与跨被试划分上，对比固定偏好和仅由训练侧验证集选择的偏好，再在留出被试上评估，检验调节收益能否泛化。已有 EEG 相关工作尚未检索确认。