HiERA：面向 EEG 基础模型持续个性化的分层域感知可复用适配

基于摘要分析。该研究关注 EEG 基础模型在持续新增被试时的个性化成本：全量微调计算开销较大，为每名被试独立配置 LoRA 适配器则会使存储需求随被试数量增长。作者提出 HiERA，通过浅层域共享变换与深层适配器复用，在个性化性能与参数成本之间寻求平衡。 核心机制建立在作者提出的层级表征观察上：EEG 基础模型浅层更多编码跨被试共享的域级变化，深层则逐渐捕捉被试特异性特征。HiERA 在浅层采用域共享的 Tensor Ring 变换，在深层维护紧凑、可复用的适配器库；新增被试在适用时复用已有适配器，以避免不必要的参数增长。摘要未说明域的定义、层级划分依据、Tensor Ring 的具体配置，以及适配器选择、更新和新增规则，这些机制尚未验证。 作者报告，在多个公开 EEG 数据集和多个 EEG 基础模型上的实验中，相比其他参数高效微调（PEFT）基线，HiERA 在维持有竞争力的个性化性能的同时，显著减少可训练参数与存储参数。摘要未提供数据集名称、任务、被试规模、数据划分、评价指标或具体数值，因此尚不能量化收益，也不能将结果归入明确的被试内、跨被试或跨会话协议。 复现时值得核对持续个性化流程中新被试的数据使用范围、适配器复用判据、共享参数更新对既有被试的影响，以及适配器库随被试数量增长的实际变化。实验协议、消融及统计信息尚未验证。作者表示代码将在论文被接收后发布；当前材料不能确认论文已接收或代码已公开。