EEG-Based Multimodal Learning via Hyperbolic Mixture-of-Curvature Experts
Runhe Zhou, Shanglin Li, Guanxiang Huang, Xinliang Zhou, Qibin Zhao, Motoaki Kawanabe, Yi Ding, Cuntai Guan
ICML 2026 主会 · OpenReview
OVERVIEW
论文概览
为 EEG 及伴随模态分配可学习曲率的双曲专家，并根据层级信息动态融合异质信号。
ABSTRACT
中文摘要
EEG 多模态学习需要整合脑信号与面部表情、音频或其他生理模态，这些数据往往具有不同层级结构。EEG-MoCE 为每种模态分配一个具有可学习曲率的双曲空间专家，使模型自适应其内在几何；随后以曲率感知融合策略动态加权专家。作者在情绪识别、睡眠分期和认知评估等基准上报告最佳表现，说明非欧几何可用于表示异质多模态层级。
RESEARCH RELEVANCE
与你研究的关系
方法上与共享/模态特异潜变量直接相关，可将每种脑信号模态置于不同曲率空间，再学习共享融合。
LIMITATIONS
局限与核查重点
当前下游任务中包含你不重点关注的情绪与睡眠；因此只作为多模态表示方法收录，不作为应用方向推荐。
SOURCE
来源与原文
ICML 2026 主会 · OpenReview
Runhe Zhou, Shanglin Li, Guanxiang Huang, Xinliang Zhou, Qibin Zhao, Motoaki Kawanabe, Yi Ding, Cuntai Guan. EEG-Based Multimodal Learning via Hyperbolic Mixture-of-Curvature Experts. ICML 2026 主会 · OpenReview. https://openreview.net/forum?id=VSn4wLFd2p