利用传感器数据共享表征进行跨域活动识别

基于摘要分析。该研究针对传感器人体活动识别中各域分别训练模型所带来的标注成本、计算开销和部署扩展问题，提出多域学习网络，通过共享表征联合学习不同但相关的源域与目标域，以减少独立模型及目标域标注数据的需求。 核心机制是两个结构相同的因果卷积子网络，将其表征投影至共享空间，随后应用线性注意力机制。训练可使用源域全部训练数据及规模受限的目标域训练数据，联合处理两域以学习互补特征。摘要未明确两子网络是否共享参数，也未给出损失函数、域的具体定义及推理部署方式；不能将这一设置视为无监督域适应或对未见域的域泛化。 作者报告，在六个真实世界传感器活动数据集上，仅使用50%的标注数据即可优于已有方法。但该比例对应哪些域、标注预算如何计算，以及数据集名称、划分方式、基线与评价指标均未在摘要中明确，故尚不能量化收益或比较不同协议下的效果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，相关域具有可共享的时序活动特征，而少量目标域标注可帮助对齐表征；这与EEG跨被试或跨会话标注成本问题存在机制对应。因果卷积、共享表征与双域联合训练可作为候选模块，但需适配EEG通道布局、采样率及任务标签。低信噪比、个体差异、通道不一致和小数据可能导致负迁移。可在固定任务与通道的跨会话EEG设置中，固定源域数据和目标域标注预算，对比目标域单独训练与双域共享训练，并分别评估两域性能。该方案不构成已验证的BCI效果，已有EEG相关工作尚未检索确认。