基于多源域适应的半监督成对迁移学习：以 EEG 情绪识别为例

基于摘要分析。该研究针对 EEG 情绪识别中的负迁移与通用模型构建问题，提出多源域适应成对迁移学习方法 PLMSDANet。其核心是引入少量目标域标注数据筛选相容的源域，并结合共享特征提取、源—目标配对分支与成对学习，促进多源知识迁移和类别区分。 机制方面，PLMSDANet 采用两阶段特征提取：先通过通用特征提取器学习各域共有的空间—频谱特征，再为每个源域与目标域的配对建立独立分支，学习源域特定特征。摘要称，方法引入 discrepancy loss 协调不同源域的分类结果，并通过 pairwise learning 处理域内样本类别分布问题。源域相容性的判定方式、成对样本构造规则、损失具体形式及训练流程尚未验证。 评估方面，作者报告在公开数据集 SEED 和 SEED-IV 的跨被试策略下，平均情绪识别 Accuracy 分别为 90.09% 和 73.08%。这些结果来自引入少量目标域标签的半监督设定，不能直接视为无目标域标签的跨被试泛化结果。作者报告该方法缓解了负迁移并优于所比较的先进方法，但摘要未提供具体基线及其成绩，优势幅度尚未验证。 复现时需核对目标域标注数量与采样方式、源域筛选过程、训练与测试划分，以及各对照方法可使用的目标域信息是否一致；同时需查验共享特征、配对分支、discrepancy loss 和 pairwise learning 的独立贡献。实验协议、消融及统计信息尚未验证，网络实现、预处理和代码可用性也需以全文或公开实现为准。