用于多源隐私保护运动想象分类的双重对比训练与可迁移性感知适应

基于摘要分析。该研究针对 EEG 运动想象（MI）分类中的跨被试分布差异与源数据隐私问题，提出无监督多源无源数据域适应方法：在源训练阶段结合两类对比目标，在目标适应阶段仅利用源模型参数，通过模型集成与可迁移性估计完成适应。 源训练阶段使用源数据标签，以 contrastive cross-entropy loss 引导实例级对比学习，并通过 categorical contrastive loss 学习类别一致的数据内在结构。两类目标分别面向实例判别与类别结构，但具体损失公式、样本构造及权重设置尚未验证。 目标适应阶段不访问源数据，而是对多个源模型进行线性组合。作者称提供了目标模型表现优于或等于任意源模型的理论解释；这一结论依赖的假设、性能定义及适用范围需结合全文核对。方法还通过估计标签证据的最大值关注源模型的可迁移性，以抑制生成伪标签时的噪声累积；该估计与模型组合、伪标签更新之间的具体关系尚未验证。 作者报告，在三个具有相似性质的数据集上，该方法在跨被试 MI 分类任务中优于所比较的现有先进方法。摘要未提供数据集名称、被试数量、数据划分、对照方法、指标或具体数值，实验协议、消融及统计信息尚未验证，因此不能据此判断提升幅度或跨数据集泛化能力。 隐私保护在摘要中主要体现为目标适应阶段不访问源数据，不能直接等同于形式化隐私保证。复现时值得核对源模型训练条件、目标标签是否完全不参与适应、模型组合系数的确定方式，以及可迁移性估计在低信噪比或源被试差异较大时的稳定性。摘要提供了代码地址并注明限非商业使用，代码可用性、依赖环境与实验配置尚未验证。