MoGE：通过分解 EEG 实现跨被试情绪识别的图专家混合模型

基于摘要分析。该研究针对 EEG 情绪识别中被试间差异导致的泛化困难，提出 Sparse Mixture of Graph Experts（MoGE），从神经网络架构设计而非主要依靠域对齐或正则化损失的角度探索域泛化，使训练后的模型面向未见被试进行无校准推理。 核心机制是由路由器将各 EEG 通道分配给专门的专家。作者将这一设计解释为把复杂的脑活动分解到不同功能区域，并以图专家混合架构处理这些通道。摘要未说明图的构建方式、路由依据、专家结构、稀疏激活规则及专家输出的融合方式；通道分配是否对应可解释的脑功能区域，也需结合全文证据核对，不能仅凭架构描述认定。 作者报告，在三个公开数据集的跨被试情绪识别与域泛化评估中，使用经验风险最小化（ERM）训练的 MoGE，在 SEED、SEED-IV、SEED-V 上的 Accuracy 分别为 88.0%、74.3% 和 81.8%，并称相较其他域泛化方法达到 SOTA。上述结果分别属于各自数据集，不能直接横向比较；具体被试划分、预处理、对照基线、调参流程、消融及统计信息尚未验证。 材料给出了代码仓库，为复现提供入口，但代码内容与运行条件尚未核验。复现时值得重点核对：跨被试训练与测试的组织方式，以及在相同预处理和 ERM 训练条件下，通道路由与图专家模块对性能的独立贡献。现有摘要支持其在 EEG 情绪识别中的研究定位，不足以推出对其他 BCI 任务的有效性。