面向无源开放集域适应的渐进式双空间未知类别发现

基于摘要分析。本文研究无源开放集域适应：仅利用预训练模型与无标签目标域数据，在分布偏移和目标域存在源域未见类别的条件下完成适应。作者提出 Progressive Dual-Space Discovering（PDD），通过渐进更新及特征空间、logit 空间的互补信息，联合改善域对齐与已知—未知类别分离；材料并未将其描述为 EEG 或 BCI 方法。 PDD 首先在 logit 空间利用能量进行筛选，再在特征空间通过原型细化，选择接近已知类别分布的目标样本，迭代建立可信域。随后，结合可信域的特征空间信息与此前训练模型的 logit 空间信息进行聚类，形成已知域和未知域。训练中，交叉熵损失用于可信域内学习，HSIC 损失用于对齐可信域与已知域，双空间不确定性损失则用于增强已知与未知类别的分离。其核心思路是降低单一空间无法充分区分类别时的局限，而非依赖源数据参与适应。 作者报告，在三个 OSDA 基准上的实验支持双空间发现、已知—未知分离与渐进更新的有效性，并称取得最先进性能。摘要未提供基准名称、具体指标、划分、对照方法或数值，无法据此判断优势幅度；实验协议、消融及统计信息尚未验证。材料提供了代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 跨被试或跨会话任务同时存在分布偏移、目标域新增类别，且适应时无法访问源数据，PDD 的双空间筛选机制可能具有对应价值。可复用部分是能量筛选、原型细化与渐进域划分；需适配 EEG 编码器、类别定义及能量尺度。低信噪比、通道差异和小样本可能使原型不稳定，并将未知类误纳入可信域，导致错误逐步累积。一个可证伪的小实验是在固定的跨被试开放集划分下，对比双空间筛选与各单空间筛选，分别检查已知类分类和未知类识别表现。已有 EEG 相关工作尚未检索确认。