UGPA-AAD：面向跨被试听觉注意解码的不确定性感知高斯图与原型适应

基于摘要分析。本文研究从 EEG 中解码听觉注意的跨被试 Auditory Attention Decoding（AAD），针对被试差异与信号扰动下空间依赖建模不可靠、类别语义跨被试不一致的问题，提出 UGPA-AAD，将不确定性感知结构学习与原型引导的语义对齐结合，以学习更可靠且跨被试一致的注意相关表征。 方法包含三个模块：Multi-Scale Feature Encoder（MSFE）整合多个时间感受野的互补特征；Uncertainty-Aware Gaussian Graph Encoder（UGGE）利用通道级不确定性调制空间依赖，降低不可靠通道交互对结构表征的影响；Prototype-Guided Cross-Subject Learning（PCSL）构建全局类别原型作为语义锚点，使不同被试的表征向一致的类别结构对齐。摘要未说明不确定性的估计方式、高斯图的具体构造、原型更新规则及损失形式，这些机制需通过全文核对。 作者报告，在四个基准的跨被试 AAD 评估中，该方法在纯音频与视听场景均优于现有方法。摘要未提供基准名称、被试数量、数据划分、解码时间窗、对照方法及具体指标，因此目前无法判断收益幅度或不同协议间的可比性。实验协议、消融及统计信息尚未验证。 复现时需重点核对训练与测试被试的隔离方式、全局原型所用数据范围，以及是否使用目标被试数据或标签；这些条件会影响对跨被试泛化结果的解释。还需核对三个模块的独立贡献，以及不确定性估计在噪声通道和被试差异下的可靠性。作者表示代码将在论文接收后发布；当前材料不能据此确认代码已公开或论文已接收。