通过核表示适配实现域适应迁移学习

基于摘要分析。本文研究目标域没有标注数据时的域适应，提出基于 SVM 和 Kernel Principal Component Analysis（KPCA）的两种核表示适配方法，通过在再生核希尔伯特空间（RKHS）中对齐源域与目标域分布，支持源域分类器向目标域迁移。其关键假设是两域的标签条件概率相似；分布对齐本身并不保证分类关系可迁移。 第一种方法为 SVM 增加类似 Maximum Mean Discrepancy（MMD）的约束，将两域数据投影到共同的 RKHS 子空间，使分布趋于相似。作者指出，该约束保留了优化问题的二次性质，因此可以使用常见二次优化工具；摘要未提供具体目标函数与约束形式。 第二种方法基于 KPCA，同样使用 MMD 衡量相似性，并进一步施加线性变换以改善对齐。作者称该方法还能对齐 RKHS 中的其他高阶矩，并获得更好表现。作者报告在合成与真实数据集上，将两种方法与既有迁移学习方法进行了比较，但摘要未给出数据集名称、划分协议、基线名称、指标及数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应 EEG 跨被试或跨会话中的特征分布偏移，可复用核映射、MMD 对齐与分类框架，但需适配 EEG 特征、通道对应关系和核参数。该路径需要有标签源域数据与无标签目标域数据；低信噪比、通道差异、小样本及标签条件关系变化均可能使对齐无效甚至造成负迁移。一个可检验的小实验是在固定特征与数据划分下，以有标签源被试和无标签目标被试进行适配，隔离目标测试标签，对比无适配 SVM 与两种适配方法，并同时检查分布差异和目标分类表现。相关 EEG 工作尚未检索确认，不能将原领域结果视为 BCI 有效性的证据。