SPDIM：EEG 中无源无监督的条件分布与标签分布偏移适应

基于摘要分析。本文研究 EEG 在不同日期、被试等域之间出现分布偏移时，如何在无源无监督域适应（SFUDA）条件下改善泛化，尤其关注目标域标签分布发生变化的情形。作者提出几何深度学习框架 SPDIM，以信息最大化原则为每个目标域学习一个受对称正定（SPD）流形约束的参数，作为参数高效的适应策略。 机制与创新：作者引入一个生成模型，用于刻画特定分布偏移，并分析既有基于黎曼几何的 SPD 流形统计对齐方法的适用边界。作者报告，这些方法能够补偿模型所描述的某些边缘分布和条件分布偏移，但在标签分布偏移下可能损害泛化。SPDIM 的核心思路是通过流形约束优化与信息最大化进行目标域适应，而不是仅依赖统计对齐。摘要未给出生成模型的具体假设、受约束参数的形式及维度，也未披露信息最大化目标的具体组成，不能据此还原实现。 验证与结果：作者报告，在生成模型对应的模拟实验中，SPDIM 能够补偿相关偏移；在公开 EEG-based BCI 与睡眠分期数据集上，SPDIM 优于既有方法。睡眠分期在文中作为可能出现标签分布变化的实际场景，而非等同于 BCI 任务。摘要未列出数据集名称、被试数量、具体被试内或跨被试等划分协议、对照方法及指标数值，因此尚不能判断性能增益的大小与适用范围。 复现与核对重点：需查阅全文确认生成模型与实际 EEG 偏移的对应关系、目标域无标注数据的使用方式、SPD 参数优化与初始化流程，以及标签分布变化程度对适应结果的影响。实验协议、消融及统计信息尚未验证；代码与实现条件也尚未验证。上述结果是作者在摘要中的报告，不构成对任意 EEG 分布偏移均有效的证据。