Spectral Adapter：在谱空间中微调

基于摘要分析。本文研究预训练深度神经网络的参数高效微调（PEFT），核心贡献是将预训练权重矩阵的谱信息引入适配过程，而非直接提出 EEG 或 BCI 方法。 方法首先对预训练权重进行 Singular Value Decomposition（SVD，奇异值分解），再微调其顶部谱空间。摘要描述了两种谱适配机制：加性微调，以及对顶部奇异向量进行正交旋转；具体参数化、谱空间截取方式及训练目标尚未验证。作者报告，其理论分析表明，在固定可训练参数预算下，该方法可提高低秩适配器的秩容量。这里的理论容量改善不能直接等同于下游泛化性能提升。 作者报告，实验显示该方法改善了参数效率与微调性能，并有利于多适配器融合。摘要未提供任务、数据集、基线、划分协议或定量指标，因而无法判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。作者表示代码将开源，当前材料不能确认代码已发布。复现需核对所用预训练模型、适配权重位置、SVD 截取规则、参数预算核算及融合流程。 平台推测（待验证）：若 EEG 基础模型具有可进行 SVD 的预训练权重矩阵，可假设其主要谱方向为小数据适配提供有用约束，从而缓解跨被试适配中的参数预算与过拟合问题。可复用的是权重分解与谱适配机制，需改造或核对输入通道映射、适配层选择及任务输出头。该假设依赖预训练权重中的主导方向与目标 EEG 任务相关；低信噪比、被试差异、通道变化或小样本可能使顶部谱空间忽略重要任务信息。一个可检验的小实验是在同一 EEG 预训练模型与相同可训练参数预算下，对比 Spectral Adapter 与常规低秩适配器，固定跨被试划分及标注量，检查性能与重复运行稳定性。已有 EEG 相关工作尚未检索确认。