面向多源隐私保护运动想象分类的双对比训练与可迁移性感知适应

基于摘要分析。研究针对 EEG 运动想象（MI）分类中的跨被试分布差异与源数据隐私问题，提出无监督多源无源数据域适应方法：在源训练阶段结合两类对比学习，在目标适应阶段仅访问源模型参数，通过模型集成及可迁移性感知的伪标签机制完成适应。 源训练利用源数据标签，以 contrastive cross-entropy loss 引导实例级对比学习，并通过 categorical contrastive loss 学习类别一致的数据内在结构。摘要明确了两类损失的作用，但其数学形式、样本构造、权重配置与网络结构尚未验证。 目标适应不访问源数据，而以线性组合集成多个源模型。作者称给出了目标模型性能优于或等于任一源模型的理论解释，但该结论所需的假设、性能度量及适用范围需查阅全文。方法还通过估计标签证据的最大值关注源模型的可迁移性，旨在降低伪标签生成中的噪声累积；具体估计与更新流程尚未验证。 作者报告，在三个具有相似属性的数据集上，该方法在跨被试 MI 分类任务中优于所比较的先进方法。摘要未给出数据集名称、被试数量、数据划分、评价指标及具体结果，因而不能量化改进或确认跨数据集泛化能力；实验协议、消融及统计信息尚未验证。 隐私保护在摘要中主要体现为目标适应阶段不访问源数据，不能据此推断具备差分隐私或抵御参数泄露攻击的保证。复现应重点核对多源组合方式、目标标签使用边界、伪标签噪声控制，以及理论保证与实际训练条件是否一致。作者提供了限非商业用途的代码链接，但代码完整性、依赖与可复现性尚未验证。