准确、鲁棒且保护隐私的 BCI 解码

基于摘要分析。该研究针对 EEG-based BCI 在实际应用中的解码准确性、鲁棒性和隐私风险问题，提出 Privacy-preserving Adversarial Transfer（PAT），将数据对齐、对抗训练与隐私保护迁移整合为统一训练框架，旨在同时改善三方面表现。 PAT 可实例化于三种隐私保护场景：集中式无源迁移、联邦无源迁移，以及使用经隐私保护处理的源数据进行迁移。摘要明确了模块组合与适用场景，但未提供数据对齐方式、对抗训练目标、隐私保护机制及具体训练流程，因此尚不能判断各模块如何协同，也不能据此确认形式化隐私保证。 作者报告，在五个公开 EEG 数据集及上述三种隐私保护场景下，PAT 的准确性和鲁棒性优于十余种经典及先进方法。作者还报告，相较不包含隐私机制的领先迁移学习方法，PAT 在平均准确性和鲁棒性方面提升 9.76%；摘要未明确该数值的汇总方式、相对提升或百分点含义，也未分别给出两项指标的结果，不能进一步拆解或直接用于跨协议比较。 复现与证据核对的重点包括：数据集与任务、被试内或跨被试等划分协议、目标域数据及标签的使用条件、鲁棒性评估中的扰动设置、隐私威胁模型及保障方式，以及各模块的消融与统计不确定性。这些信息尚未验证。作者将同时应对三项挑战称为其首个此类尝试，该优先性主张尚未独立核实。