利用跨模态学习与联合分布对齐的多模态半监督域适应：面向跨被试情绪识别

基于摘要分析。该研究针对 EEG 与眼动（EM）多模态情绪识别中的个体差异问题，提出半监督域适应方法 CMJDA（cross-modal learning and joint distribution alignment），利用有标签源域数据、少量有标签目标域数据及大量无标签目标域数据，改善向新被试的知识迁移。 方法包含三个相互配合的机制：通过各模态独立的神经网络提取判别性特征；促进模态间特征相关性与预测一致性；对源域和目标域的边缘分布、条件分布进行对齐。相较于摘要所描述的主要依赖无标签目标域数据的既有方法，其研究重点是进一步利用有限目标标签，并结合跨模态学习与分布对齐。具体网络结构、损失形式、对齐实现及各机制的独立贡献尚未验证。 作者报告，在 SEED-IV 和 SEED-V 两个公开情绪识别基准上，采用留一交叉验证（LOOCV）进行跨被试评估，仅使用目标被试首次记录试次中每类三个有标签样本，在两个数据集各自三个可用会话上的平均 Accuracy 为 92.50%–96.13%。摘要未逐项列明数据集与会话对应的分数，也未给出对照方法及其结果，因此不能据此量化相对提升或与不同协议的结果直接比较。 复现时应重点核对 LOOCV 的具体划分、目标域有标签与无标签样本的选取及评估边界、首次试次标签的获取方式，以及 EEG 与眼动的预处理、同步和融合细节。该设置依赖少量目标被试标签及两种模态，不能直接解释为完全无标签新用户或仅 EEG 场景下的效果。实验协议、消融及统计信息尚未验证。