DEFT：用于 EEG 基础模型的解耦增强微调

基于摘要分析。该研究针对 EEG 基础模型（EFM）的预训练表征保留被试相关变异、增加下游分类负担的问题，提出即插即用微调适配器 DEFT，将预训练 tokens 解耦为任务导向的内容与被试一致的风格，并仅用内容分支进行下游预测。 核心思路是“先因子分解，再分类”，将缓解被试差异的过程显式纳入微调，而非完全交由下游分类器处理。摘要列出的机制包括递归高斯细化、时间方差正则化、被试感知对比学习和重建；这些机制如何连接、各自的损失形式、监督依赖以及训练与推理流程尚未验证。特别需要核对内容分支是否保留任务判别信息，以及风格分支对被试相关信息的表征是否足以支持作者所述的解耦目标。 作者报告，在多个 EEG 数据集与四个 EFM 骨干上，DEFT 优于匹配的微调基线；作者还报告，消融与分析支持预期的内容/风格分支组织。摘要未提供数据集及骨干名称、任务、被试规模、划分方式、评价指标或提升幅度，因此不能将总体改进直接视为特定跨被试协议下的已验证收益。 复现时需核对被试信息在对比学习中的使用方式、训练与测试被试的划分、适配器的可训练参数范围，以及基线微调预算是否一致。实验协议、消融及统计信息尚未验证，现阶段也无法判断收益在不同任务和被试差异强度下的稳定性。