多样性中的统一：改进多模态 VAE 的表征学习

基于摘要分析。该研究针对多模态 VAE 中共享编码器输出、解码器输入或二者所施加的硬约束，提出使用 mixture-of-experts prior，以软约束将各模态的潜在表征引导至共享聚合后验，旨在兼顾跨模态共享信息与各模态原始特征的信息保留。 核心机制是将跨模态一致性从结构上的强制共享，转为先验对各模态潜在分布的柔性引导。作者报告，这种设计能够改善潜在表征，并使各模态编码更好地保留其未经压缩的原始特征信息。摘要未给出先验的具体构造、聚合后验的计算方式、损失函数及训练与推理细节，不能据此确定其实现形式。 作者报告，在多个基准数据集及两个具有挑战性的真实世界数据集上，相比已有方法，所学表征与缺失模态补全均有改善。摘要未列明数据集名称、任务指标、划分方式、对照方法及提升幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一机制可能对应 EEG 多模态学习中“共享表征压缩掉模态特有信息”的瓶颈，但原领域有效不等于 BCI 有效。可复用的是软约束共享潜在表征的思路；用于 EEG 时，需改造模态编码器、信号对齐及缺失模态处理，并核对方法对配对样本和监督信息的依赖。低信噪比、跨被试差异、通道不一致及小数据可能使共享聚合后验受到噪声或强势模态主导。一个可检验的小实验是：在具有配对 EEG 与另一模态的数据上，固定编码器容量和数据划分，对比硬共享与该软约束方案，分别评估缺失模态补全及下游任务表现，并单独报告跨被试结果。已有 EEG 相关工作尚未检索确认。