面向迁移学习的双重去偏鲁棒子采样

基于摘要分析。本文研究大规模源数据无法全部用于计算、且源域与目标域存在分布偏移时的迁移学习问题，提出双重去偏鲁棒子采样框架，分别处理子采样引入的估计偏差和迁移偏差。原始验证对象为模拟研究、文本情感分析与图像识别，并非 EEG 或 BCI。 方法上，逆概率加权用于使子样本估计代表完整源分布；基于目标域的一步修正将估计重新校准至目标分布，以缓解迁移偏差。两类校正嵌入分布鲁棒优化设计，在控制最坏情形目标风险的同时，通过 maximum mean discrepancy（MMD，最大均值差异）约束源—目标对齐。作者还提出标量化粒子群算法，通过单一调节参数探索鲁棒性与对齐之间的权衡，以优化子采样分布。其关键依赖包括源样本的采样概率和可支持一步修正的目标域信息；目标标签需求、具体估计形式及计算成本尚未验证。 作者报告建立了渐近正态性、泛化界、oracle 不等式及分布不确定性下的极小极大最优性，并在所述任务中，相较均匀子采样、仅目标域训练和仅对齐方法获得更好的预测准确性与鲁棒性；作者报告两种去偏机制均对可靠迁移重要。摘要未提供具体数据集、划分、数值及理论适用条件，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨被试 EEG 迁移存在源样本规模大、训练预算受限且分布偏移明显的情形，可检验“采样偏差校正＋目标域校正”的机制假设。可复用部分是加权估计与鲁棒对齐思路，需改造 EEG 特征表示、样本单位及目标域校正模块。低信噪比、被试差异、通道不一致和少量目标数据可能导致 MMD 对齐失真、逆概率权重方差增大或一步修正不稳定。一个小规模可证伪实验是：固定 Cross-subject 划分、目标标签预算和源样本预算，对比均匀采样、单独校正及双重校正，检验双重校正能否稳定改善目标被试表现；已有相关 EEG 工作尚未检索确认。