跳到正文

算法、任务与模态

Source-Free DA 最新动态

Source-Free DA 研究索引；按可核对的标签归档，不以热度评价质量。

22 条精选近 30 天 2 条共收录 22 条

更新

精选归档 · 第 2 页

1月1日周一第 21–22 条
  1. OpenReview · EEG79

    面向异构 EEG 数据集机器学习的物理信息驱动无监督黎曼域适应

    基于摘要分析。该研究针对跨会话、跨被试及跨设备 EEG 数据整合中通道数量与位置不一致的问题，提出利用 EEG 信号物理特性的场插值方法，将不同数据集的通道映射至固定位置，再结合黎曼几何分类流程与迁移学习步骤实现无监督域适应。 核心机制是通过场插值统一传感器空间，而非仅选择训练集与测试集的共有通道，以减少通道筛选造成的信息丢失，并支持无源域适应（source-free domain adaptation）。摘要未说明场插值的具体物理模型、固定位置选择、协方差估计及黎曼空间适配操作；无源阶段可访问的数据、拟合流程与推理条件尚未验证。 评估采用六个公开 BCI 数据集，在右手/左手分类任务上进行 Cross-dataset 留一数据集验证。对照包括统计方法 Dimensionality Transcending、信号插补方法 ComImp、依赖源数据的方法、共有通道选择及球面样条插值。作者报告：训练与测试数据仅有少量共享通道时，场插值在各数据集上均优于其他方法；共享通道较多时，其表现与其他方法具有竞争力，且计算速度快于依赖源数据的方法。摘要未提供具体数据集名称、分类指标、数值结果、通道配置或运行时间，不能据此量化性能增益。 复现时需核对通道坐标与参考方式、插值目标布局、域适应各阶段的数据访问边界，以及不同通道重叠程度下的对照设置。实验协议、消融及统计信息尚未验证。摘要提及潜在生物标志物应用，但未给出对应验证结果，不应将 BCI 分类结论直接外推至临床用途。

    阅读价值：该研究针对跨数据集 EEG 通道数量与位置不一致提出物理驱动的场插值方案，并报告了六个公开 BCI 数据集上的留一数据集验证，值得核对其少量共享通道条件下的收益与无源域适应复现条件。

  2. OpenReview · EEG75

    用于多源隐私保护运动想象分类的双重对比训练与可迁移性感知适应

    基于摘要分析。该研究针对 EEG 运动想象（MI）分类中的跨被试分布差异与源数据隐私问题，提出无监督多源无源数据域适应方法：在源训练阶段结合两类对比目标，在目标适应阶段仅利用源模型参数，通过模型集成与可迁移性估计完成适应。 源训练阶段使用源数据标签，以 contrastive cross-entropy loss 引导实例级对比学习，并通过 categorical contrastive loss 学习类别一致的数据内在结构。两类目标分别面向实例判别与类别结构，但具体损失公式、样本构造及权重设置尚未验证。 目标适应阶段不访问源数据，而是对多个源模型进行线性组合。作者称提供了目标模型表现优于或等于任意源模型的理论解释；这一结论依赖的假设、性能定义及适用范围需结合全文核对。方法还通过估计标签证据的最大值关注源模型的可迁移性，以抑制生成伪标签时的噪声累积；该估计与模型组合、伪标签更新之间的具体关系尚未验证。 作者报告，在三个具有相似性质的数据集上，该方法在跨被试 MI 分类任务中优于所比较的现有先进方法。摘要未提供数据集名称、被试数量、数据划分、对照方法、指标或具体数值，实验协议、消融及统计信息尚未验证，因此不能据此判断提升幅度或跨数据集泛化能力。 隐私保护在摘要中主要体现为目标适应阶段不访问源数据，不能直接等同于形式化隐私保证。复现时值得核对源模型训练条件、目标标签是否完全不参与适应、模型组合系数的确定方式，以及可迁移性估计在低信噪比或源被试差异较大时的稳定性。摘要提供了代码地址并注明限非商业使用，代码可用性、依赖环境与实验配置尚未验证。

    阅读价值：值得核对双重对比训练与源模型可迁移性估计能否在不访问源数据的条件下改善跨被试 MI 分类，尤其是模型集成的理论适用条件及伪标签噪声控制效果。