基于 Deep Set EEG 解码器的潜在对齐
基于摘要分析。研究针对个体间 EEG 差异给 BCI 解码带来的困难，提出 Latent Alignment，并将其表述为作用于某一被试试次集合的 deep set。主要贡献是考察深度模型中统计分布对齐的位置，以及该位置与分类性能、类别不平衡敏感性之间的关系。 机制与对照：方法在深度模型的潜在表征上进行统计分布对齐，并与近期统计域适应方法在不同条件下比较。集合层面的表述使同一被试的一组试次成为分析单位，但摘要未给出集合聚合方式、对齐统计量、损失函数，以及训练和推理时如何使用这些统计量，相关实现尚未验证。 任务与结果：实验覆盖运动想象（MI）、oddball 事件相关电位（ERP）及睡眠分期，各任务采用相应的既有深度学习模型。作者报告，Latent Alignment 曾赢得 Benchmarks for EEG Transfer Learning（BEETL）竞赛；在摘要所述比较条件下，于模型较后阶段进行统计分布对齐有利于分类 Accuracy，所提方法取得最高性能。摘要未提供具体数据集、被试数、数据划分、基线配置或数值，不能据此量化收益，也不能确定各实验是否采用一致的跨被试评估协议。 风险与核对重点：作者还研究了可能使深度模型结果虚高的类别区分性伪迹，以及计算对齐统计量的试次集合中类别不平衡的影响。作者报告，较后阶段对齐所带来的 Accuracy 提升，与对类别不平衡更敏感之间存在权衡。复现时需核对对齐统计量所用试次的来源、目标域标签是否参与、类别比例设置及伪迹处理方式；这些是待核对事项，而非已确认的协议缺陷。实验协议、消融及统计信息尚未验证。
阅读价值：值得阅读的具体原因是将 EEG 潜在分布对齐表述为被试试次集合上的 deep set，并讨论对齐位置带来的分类准确率收益与类别不平衡敏感性之间的权衡，具体实验协议与效果幅度尚待全文核对。