IDEAL：用于 EEG—眼动情感识别的多模态域适应框架

基于摘要分析。本文研究 EEG 与眼动多模态情感识别中的个体生理差异及异质信号融合问题，提出 Instance-based Domain Expansion and Adversarial Learning（IDEAL），将实例级课程式扩展与特征级分层对抗对齐结合，旨在缩小域间差异并保留细粒度类别信息。 在数据层面，IDEAL 通过多模型协同筛选机制，按兼顾数量与质量的策略逐步纳入高置信度目标域样本，以弥合源域与目标域的分布差异。作者报告，理论分析表明该实例扩展策略可严格收紧目标域风险上界；这一结论依赖的假设、筛选规则、置信度计算及扩展调度尚未验证。 在特征层面，框架使用带有角度对比约束的分层对抗网络，从低层统计到高层语义逐步对齐表征，同时维持类别可分性。其方法重点是同时处理数据层差异与特征层差异，而非仅依靠特征对齐。摘要未说明 EEG 与眼动的具体融合位置、网络结构、损失形式及各模块贡献，需结合正文核对。 作者报告，在四个基准数据集上的实验中，IDEAL 显著优于所比较的先进方法；摘要未提供数据集名称、被试规模、具体跨被试划分、评价指标或数值，因此尚不能判断提升幅度及适用范围。目标域标签使用方式、实验协议、消融及统计信息尚未验证。作者提供了公开代码链接，但代码完整性、数据处理流程及复现条件仍需检查。