COD：面向域适应回归的条件不变表征学习

该研究针对连续输出任务中的域适应回归（Domain Adaptation Regression，DAR），提出 Conditional Operator Discrepancy（COD）及相应的条件不变表征学习方法，将有标签源域知识迁移至无标签目标域。基于摘要分析，未取得论文全文。 作者指出，分类中依赖离散标签先验的条件分布对齐理论与方法不能直接用于连续输出回归。为此，作者建立回归模型的充分性理论，称泛化误差可由跨域条件差异充分控制；随后借助核嵌入理论定义 COD，用于刻画连续条件变量下的条件分布差异，并称其满足条件分布上的度量性质。方法通过最小化 COD 学习条件不变表征；作者进一步给出重构形式，指出对矩统计量作适当修改可改善适应模型的判别性。具体理论假设、核函数、优化目标及矩统计量修改方式尚未验证。 作者报告，在标准 DAR 数据集上的广泛实验支持其理论结果，且优于所比较的 SOTA DAR 方法；摘要未提供数据集名称、数据划分、评价指标或具体数值，因此暂不能判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 连续变量解码存在跨被试或跨会话分布偏移，COD 的连续条件分布对齐机制可能提供可检验的域适应路径。可复用部分是差异度量与表征对齐思路，需改造部分包括 EEG 特征编码、核及统计量估计，并核对无目标标签时条件算子的估计方式。低信噪比、通道差异、小样本和被试间标签关系变化可能使估计不稳定或导致负迁移。一个小实验是在固定跨被试划分与相同编码器下，对照无适应、边缘分布对齐和 COD 对齐，使用同一回归误差指标检验增益；该方案并非论文已验证结果，已有 EEG 相关工作尚未检索确认。