基于图扩散的域不变表征学习用于跨域面部表情识别

基于摘要分析。本文研究面部表情识别（FER）中训练源域与测试目标域分布不一致的问题，提出图扩散域不变表征学习模型 GDRL，以低维映射、图结构建模和标签一致性促进跨域迁移；原研究对象并非 EEG 或 BCI。 方法先通过低维空间映射减小域间差异，再结合局部图嵌入与亲和图扩散，分别建模样本的局部几何结构和不同域样本之间的高阶关系，并引入标签一致性以引导迁移、增强表征的判别性与域不变性。摘要未给出具体目标函数、图构建方式、扩散计算过程及标签使用范围，因此尚不能确定其监督设定与实现条件。 作者报告，在四个实验室受控数据库和两个自然场景数据库上的跨域 FER 实验中，GDRL 的识别表现优于所比较的先进域适应方法。摘要未提供数据库名称、迁移方向、数据划分、评价指标、具体数值或基线清单；实验协议、消融及统计信息尚未验证，不能据此量化收益或比较不同协议。 平台推测（待验证）：若 EEG 特征空间中的邻域关系具有稳定的任务意义，局部图与图扩散可能用于跨被试或跨会话的域适应。可复用的候选模块是图结构建模与扩散机制；需要改造的是 EEG 特征表示、距离度量、图连接规则及标签一致性约束，尤其须先确认原方法是否依赖目标域标签。低信噪比、被试差异、通道不一致及小样本可能使邻域图失真，并经扩散放大错误关系。一个可检验的小实验是在固定的 Cross-subject EEG 协议下，保持特征、标签预算与划分一致，对照低维映射、加入局部图和进一步加入图扩散的表现，检验扩散是否带来稳定增益。相关 EEG 工作尚未检索确认，上述迁移假设不属于原论文已验证结论。