用于跨域面部表情识别的自适应全局—局部表征学习与选择

基于摘要分析。本文研究跨域面部表情识别（CD-FER）中的分布偏移问题，提出 Adaptive Global-Local Representation Learning and Selection（AGLRLS）框架，以联合利用全局与局部特征的可迁移性，并通过语义感知伪标签增强目标域的判别监督；研究对象是面部图像，而非 EEG 或 BCI。 方法上，框架分别对全局和局部特征开展域对抗学习，以学习域不变表征。语义感知伪标签模块根据全局与局部特征生成语义标签，并利用两类特征的独立预测学习动态阈值，旨在过滤不可靠伪标签、保留可靠伪标签，再将其用于端到端对抗学习中的模型优化。推理阶段引入全局—局部预测一致性模块，从多个预测中学习最终结果；摘要未给出具体损失、阈值更新规则或预测融合公式。 作者报告，在其称为公平评估基准的实验中，AGLRLS 优于当前竞争方法，但摘要没有提供数据集、源域与目标域划分、评价指标、数值或基线细节，因此尚不能判断提升幅度及适用范围。实验协议、消融及统计信息尚未验证；复现还需核对局部特征定义、目标域标签使用方式、伪标签筛选过程及推理模块的训练方式。 平台推测（待验证）：其可迁移机制是分别对齐不同粒度的表征，并以多视角预测辅助伪标签筛选，可能对应 EEG 跨被试或跨会话分布偏移及伪标签噪声问题。该假设依赖有标签源域、可用于适应的目标域样本，以及具有互补性的全局与局部表征；具体监督条件仍需全文确认。可复用域对抗与伪标签筛选思路，但面部局部特征需改造为有依据的 EEG 通道组或时频局部表征。低信噪比、通道配置差异和小样本可能使多路预测产生一致错误。一个小规模检验是在固定跨被试划分下，对照仅全局适应、加入局部适应及再加入动态阈值筛选，比较同一指标并核查伪标签可靠性。已有相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性证据。