共享专家与路由专家协同实现跨被试 EEG 泛化

基于摘要分析。该研究针对跨被试 EEG 的异质性问题，提出 Shared-Routed Expert Alignment（SREA），通过共享专家与路由专家协同学习可迁移结构和被试特异的判别信息，试图避免单一共享模型过度消除个体信息、多个专门化专家未充分提取共性结构的互补局限。 理论层面，作者将两类方法的适用性联系到分支特异函数转化为分支不变函数的“可约化代价”，并提出从理论到方法的映射，以指导跨被试 EEG 学习中的对齐。摘要未提供这一代价的数学定义、估计方式或理论成立条件，尚不能判断其如何直接指导模型设计。 方法层面，共享分支通过增强的时间邻近样本进行联合嵌入学习，用于建模可约化的不变函数；路由分支采用基于原型的稀疏路由与专家专门化，用于保留不可约化的被试特异函数。两个分支再依据跨分支可学习性差距进行数值稳定的相互引导重加权。其具体价值在于不将所有个体差异统一视作需要消除的干扰，而是尝试区分应共享与应保留的结构；实际区分机制及重加权实现仍需正文核对。 作者报告，在覆盖不同任务的七个公开 EEG 基准上，SREA 持续优于现有最先进方法及 EEG 基础模型。摘要未列出数据集名称、任务、被试数、跨被试划分、对照配置或具体指标，因此不能量化优势，也不能据此判断不同任务间的可比性。 复现重点是时间邻近样本及其增强的构造、原型和专家的训练与路由方式、可学习性差距的计算，以及共享分支、路由分支和重加权各自的贡献。还需核对测试被试是否参与适配及各基线的数据使用条件；实验协议、消融及统计信息尚未验证。