SPARK：用于保护源域隐私的困倦检测高效黑盒域适应框架

基于摘要分析。研究面向 EEG 驾驶员困倦检测中的跨被试适应，提出 SPARK 框架：在不访问源数据和源模型参数的条件下，仅利用黑盒源模型进行目标域适应，以降低对源域信息开放的依赖并提高训练效率。 问题设定为黑盒域适应（BBDA），属于无监督域适应（UDA）的更受限场景。与依赖带标签源数据或白盒源模型的适应方式不同，SPARK 将可访问的信息限定为黑盒源模型。其完整名称为 Self-distillation and Pseudo-labelling for Ensemble Deep Random Vector Functional Link (edRVFL)-based Black-box Knowledge Adaptation。 核心流程包括基于熵筛选高置信度样本，为这些样本赋予伪标签并训练学生 edRVFL 网络；随后通过集成学习生成细化标签，再执行集成自蒸馏，进一步训练学生网络。作者将鲁棒性提升归因于标签细化与自蒸馏，并认为 edRVFL 的特性有利于降低计算开销，适合小数据任务。摘要未提供熵阈值、标签细化规则、具体损失或网络配置，相关实现尚未验证。 作者报告，在两个公开驾驶员困倦数据集上，SPARK 相较强基线表现更优，同时显著减少训练时间。但摘要未给出数据集名称、被试数量、划分方式、评价指标、具体分数、基线名称或计时条件，因此不能量化收益，也不能确认具体跨被试协议下的可比性。 复现时需核对黑盒输出的形式与查询成本、目标域数据的使用方式、伪标签及自蒸馏的消融结果，以及训练时间的硬件和计算范围。源数据与参数不可访问是一项访问限制，不等同于形式化隐私保证；其隐私风险评估、实验协议、消融及统计信息尚未验证。摘要支持其作为 EEG 困倦检测适应方法的研究价值，但实际部署的可靠性仍需进一步核对。