CiABL：用于 EEG 与眼动信号跨被试情绪识别的完整性诱导自适应宽度学习

基于摘要分析。本文研究 EEG 与眼动信号的跨被试情绪识别，提出 Completeness-induced Adaptative Broad Learning（CiABL），通过兼顾模态相关与模态独立信息的表征，以及加权分布对齐，改善对未见目标域被试的泛化表现。 核心机制：作者认为，既有多模态方法过度关注模态间的高相关信息，可能造成各模态描述不完整，并使关键情绪信息难以对齐。CiABL 尝试保留模态相关与模态独立信息，以降低模态间伪相关带来的性能损失；随后通过加权表征分布对齐机制，同时对齐边缘分布与条件分布，缓解个体差异。摘要未提供宽度学习结构、完整性表征的具体实现、权重计算方式、损失形式或训练流程，相关细节尚未验证。 实验与结果：作者报告，在 SEED 和 SEED-FRA 数据集上的跨被试情绪识别实验中，CiABL 的有效性与泛化表现优于所比较的当前先进方法。摘要未给出具体指标、数值、被试划分或基线名称，因而无法判断收益幅度或进行协议间比较。尤其需要核对训练及对齐阶段是否使用目标被试数据、是否涉及目标标签，以及“未见目标域被试”的具体评估条件；不能仅凭摘要将其归类为完全不接触目标域数据的域泛化。 解释性与复现：作者还报告，CiABL 能量化全局特征重要性，用于解释模态贡献及跨被试任务中的脑平均激活模式；其量化方法与解释性验证尚未确认，不宜视为已建立的神经机制证据。复现时应核对信号预处理、EEG 与眼动同步及特征构建、跨被试划分、对齐所用数据与标签、对照设置，以及完整性表征和分布对齐的独立贡献。实验协议、消融及统计信息尚未验证。