学习在何处适应：面向医学时间序列的学习式子空间测试时自适应

基于摘要分析。本文研究医学时间序列分类器如何利用新被试的少量无标签记录进行测试时自适应，提出 Learned Subspace Test-Time Adaptation（LSTA）：从历史被试中元学习 LayerNorm 参数更新的低秩子空间，再将新被试的适应限制在该空间内，以减少不受约束的熵最小化可能造成的错误更新。研究对象包括 EEG 和 ECG 分类，并非仅针对 BCI。 核心机制是将“在哪里适应”作为学习对象。作者假设被试间分布偏移可能由少数共享的生理及记录因素驱动。元训练时，无标签支持窗口用于确定子空间内的熵最小化更新，同一被试的带标签查询窗口以分类损失塑造该子空间。测试时子空间固定，LayerNorm 之外的参数冻结，每名新被试最多使用八个无标签窗口进行适应。因此，该方法的测试阶段不依赖标签，但子空间学习依赖历史被试的标签监督。 作者报告，在五个采用被试互斥划分的 EEG 和 ECG 基准上，LSTA 在与七个 TTA 基线的比较中取得最高的平均 Accuracy 和 macro-F1；学习所得子空间在 25 个数据集—随机种子组合中的 22 个优于随机子空间。在全部八个评估数据集上，作者报告 LSTA 是唯一 macro-F1 均未低于冻结模型的方法。在支持数据受污染时，其退化程度小于直接 LayerNorm 适应，将正确预测变为错误的情况也更少。另一方面，干净数据上相对直接 LayerNorm 适应的收益集中于一个数据集，不能据此认定其在所有任务上普遍提升性能。 复现时需核对低秩子空间的参数化与秩、基础分类器、元训练被试与测试被试的隔离、支持与查询窗口划分、污染定义及强度，以及单数据集结果和统计不确定性。摘要未提供数据集名称、具体分数、代码及完整实验配置；实验协议、消融及统计信息尚未验证。其直接涉及 EEG 跨被试适应，但对具体 BCI 任务及跨会话、跨数据集场景的有效性仍需单独评估。