PULSE：面向具身多传感器学习的从高信息量传感器到可部署传感器的特权知识迁移

基于摘要分析。PULSE 研究具身多传感器系统中的训练—部署传感器不对称问题：实验室可采集的信息丰富模态，在部署时可能因成本、脆弱性或妨碍物理交互而不可用。其贡献是通过特权知识迁移，让部署可用的学生传感器学习教师传感器的表征；摘要中的主要验证对象是可穿戴压力监测，而非 EEG 或 BCI。 机制上，各学生编码器分别产生共享（模态不变）与私有（模态特异）嵌入。共享子空间先进行跨模态对齐，再通过多层隐藏状态及池化嵌入蒸馏匹配冻结教师的表征；私有嵌入用于保留自监督重建所需的模态特异结构。作者认为重建对防止表征坍塌至关重要，但具体损失形式、权重与训练顺序尚未验证。 在压力监测实例中，EDA 为特权教师，ECG、BVP、加速度及温度为学生，推理时不使用 EDA。作者报告：在 WESAD 的留一被试评估下，AUROC 为 0.994、AUPRC 为 0.988；在 STRESS 上分别为 0.965、0.955，但摘要未明确其划分协议。作者报告该方法超过所有不使用 EDA 的基线，并达到测试时保留 EDA 的全传感器模型表现；具体基线、误差范围及统计比较仍需全文核对。作者还报告以 ECG 为教师的迁移实验，以及骨干设计、预训练策略和共享—私有容量的消融，摘要未提供对应数值。 平台推测（待验证）：若训练阶段有同步采集、与目标任务相关的高质量辅助模态，这一机制可能对应 EEG 部署时缺少辅助传感器的瓶颈。可复用共享—私有分解与教师蒸馏，但需改造 EEG 编码、时间对齐和重建目标。低信噪比、跨被试差异、通道变化及小数据可能导致教师信息无法由 EEG 恢复，或使私有分支保留伪迹。一个可检验的小实验是：在严格隔离被试的同步 EEG—辅助模态数据上，以仅 EEG 推理为条件，对比无蒸馏、PULSE 式蒸馏及移除私有重建的版本。已有 EEG 相关工作尚未检索确认；代码可得性、完整实验协议及统计信息尚未验证。