被试坐标规范化：学习可复用偏移量以适应 EEG 基础模型

基于摘要分析。本文研究 EEG 基础模型对未见被试泛化不足的问题，提出 Subject-Coordinate Canonicalization（SCC）：从少量无标签上下文样本估计被试级偏移量，并从与上下文不重叠的查询样本表征中减去该偏移，以实现跨被试适应。 机制依据方面，作者在五种 EEG 基础模型中比较共享类别结构、被试特异性平移与低秩形变，并报告留出原型及样本级重建分析识别出显著的平移样成分。这为被试级平移校正提供了依据，但不能据此认定所有被试差异均可由平移解释。 SCC 的关键难点是无标签上下文统计同时受到被试差异和类别构成的影响。方法采用置换不变估计器聚合逐样本偏移提议，并在源被试上使用类别平衡监督，以降低估计结果对上下文类别构成的敏感性；同时通过留一被试响应对齐，鼓励校正后的表征保留跨被试共享的任务相关结构。推理时，估计出的偏移量可缓存并复用，不需要目标被试标签或基于梯度的参数更新。摘要未给出具体损失形式、上下文规模和偏移复用范围。 作者报告，在覆盖情绪识别、运动想象和睡眠分期的三个 EEG 基准上，SCC 在五种基础模型中均优于仅源域训练模型及所评估的适应基线。摘要未提供基准名称、指标、提升幅度、被试数量或具体数据划分，因此尚不能判断收益大小及不同协议下的可比性。 复现时需核对上下文与查询的划分、类别平衡监督的构造、留一被试响应对齐的实现，以及偏移量在不同会话或状态下的稳定性；这些是待核对事项，而非已确认的缺陷。实验协议、消融及统计信息尚未验证。