面向域适应的任务特定与域特定潜子空间分解

基于摘要分析。研究针对域适应中任务信息与数据域信息混杂的问题，提出将潜空间分解为任务特定子空间和域特定子空间，并通过交替训练与表征互换，促使两类信息分别集中于对应子空间。原研究对象是手写数字图像，而非 EEG 或 BCI。 方法包含两个迭代训练步骤：首先，分类器通过常规监督学习在末层获得任务特定表征，同时利用包含两个子空间的自编码器训练，将域特定空间构建为完整潜空间中任务特定空间的互补子空间。随后，对两个输入的任务表征和域表征进行交叉组合，生成两个组合数据，再利用组合数据继续训练分类器，以增强两类子空间各自的信息特异性。摘要未提供互补空间的具体数学约束、损失形式及组合数据的监督细节，不能据此认定两类信息已被严格独立化。 作者报告，在三个手写数字数据集分别作为三个域的实验中，任务子空间的可视化呈现与数字类别对应的簇，域子空间则呈现与数据集对应的区域；使用任务表征适应未参与学习的数据集时，性能高于一种替代方法。摘要未给出数据集名称、性能指标、数值或对照方法名称；目标域数据的使用方式、实验协议、消融及统计信息尚未验证。可视化分离也不能单独确证表征不含域信息。 平台推测（待验证）：若 EEG 中的任务信息与被试或会话差异能够近似分解，表征互换机制可能用于跨被试或跨会话域适应。可复用的是双子空间与组合训练思路，需改造 EEG 编码器、重建模块及组合样本的标签规则；其对任务监督、域标识和数据规模的具体依赖仍需全文核对。低信噪比、通道差异、小样本及任务与被试因素耦合，可能导致任务信息进入域子空间，或生成不合理信号。可在固定跨被试划分下，对比相同编码器有无表征互换训练的任务表现，并探测任务子空间中的被试可辨识性，检验解耦假设。相关 EEG 工作尚未检索确认。