HRIL：通过高阶张量建模学习多模态协同信息

基于摘要分析。该研究关注自监督多模态表征如何保留协同信息：这类任务相关信号仅在多个模态的联合配置中出现，无法从任一单独模态恢复。作者提出 Higher-order Representation and Information Learning（HRIL），用高阶统计依赖显式描述跨模态交互，而非仅关注模态间的共享信息。 核心机制是在模态嵌入上构造经验交叉矩张量，表征多路交互，再通过 Tucker decomposition 得到核心张量。方法同时引入协同感知正则化，以防止能量集中并保留高阶耦合容量。摘要未给出交叉矩的具体阶数、正则项公式及其与训练目标的组合方式，因此尚不能判断信息容量与实际可解码协同信号之间的关系。 作者报告，在受控协同任务和真实场景基准上，HRIL 相比已有多模态对比学习方法取得一致改善，且在由协同交互主导的任务上收益更明显。摘要未提供基准名称、数据划分、指标、数值及对照配置；实验协议、消融及统计信息尚未验证。摘要称代码已发布，但实现与复现条件尚未核对。 平台推测（待验证）：若 EEG 与其他模态中的任务线索必须联合解释，HRIL 的交互张量与正则化机制可能用于检验共享表征之外的协同信息。该假设依赖配对模态、可靠的时间或样本对齐，以及足够稳定的交叉矩估计；模态编码器、对齐方式和张量规模需针对数据改造。EEG 的低信噪比、跨被试差异、通道变化及小样本可能使高阶统计估计不稳定，模型也可能捕捉与任务无关的联合变化。可在固定跨被试划分的配对数据上，对比单模态、多模态对比学习与 HRIL，并加入模态配对打乱对照，检验收益是否依赖真实联合关系。已有 EEG 相关工作尚未检索确认。