SEAM：用于少样本跨被试 EEG 基础模型适应的支持集编码适应与元学习提示

基于摘要分析。该研究针对 EEG 基础模型在新被试上仅有少量带标签试次时适应不稳定的问题，提出 SEAM（Support-Encoded Adaptation with Meta-Learned Prompting），以支持集编码和元学习提示替代目标阶段的参数优化，旨在保留预训练表征的同时表达被试及查询样本的差异。 核心机制是在源被试上联合元训练 Transformer 骨干、分类头和轻量提示生成器，在目标被试适应时冻结这些模块的权重。SEAM 从目标支持集构建全局被试原型与类别残差原型，再由每个查询样本在类别残差原型之间进行路由，生成个性化提示。因此，“目标阶段免优化”并不意味着无需目标数据：该方法仍依赖少量带标签的目标支持集，并通过支持集条件化生成提示，而不是更新模型参数。原型计算方式、路由机制、提示注入位置、训练损失及元训练任务构造尚未验证。 作者报告，在不同 EEG 基准上的实验表明，SEAM 能更有效地利用有限支持数据，减轻负迁移及更新引发的遗忘，并取得较有利的 Accuracy–效率权衡。摘要将负迁移相关变化表述为“从 2.4% 到 -4.8%”，但未给出该量的定义、比较基线、对应数据集及具体评估设置，因而不能将其解释为 Accuracy 提升或换算为百分点收益。具体任务、被试数量、支持集规模、跨被试划分及效率测量条件均尚未验证。 复现时应重点核对源被试元训练与目标被试评估的划分、基础模型预训练数据范围、支持集与查询集的构造，以及冻结模块后提示生成的实际计算成本。还需核对全局被试原型、类别残差原型和查询路由各自的贡献，以及支持集类别覆盖不足或样本噪声较大时的稳定性。实验协议、消融及统计信息尚未验证。