跳到正文

算法、任务与模态

Domain Adaptation 最新动态

Domain Adaptation 研究索引；按可核对的标签归档，不以热度评价质量。

65 条精选近 30 天 18 条共收录 104 条

更新

精选归档 · 第 4 页

1月1日周六第 61–65 条
  1. OpenReview · EEG72

    用于 EEG 情绪识别的多源信息共享域适应

    基于摘要分析。本文针对 EEG 情绪识别中的个体差异，提出用于跨被试识别的多源信息共享域适应框架，旨在同时利用不同被试之间的共性与各自的特有信息，而非仅提取域特定特征或将所有源被试合并为单一源域。 核心机制是以所有 EEG 数据共享低层特征为假设，分别通过共享提取器和私有提取器捕获共享表征与私有成分。训练涉及最大均值差异（maximum mean discrepancy）和 diff losses，并引入 was-loss 对齐私有域；作者将其目的描述为形成更紧密的共享域，从而增强域适应能力。摘要未给出这些损失的数学定义、权重及具体作用位置，不能仅凭名称确定 was-loss 的形式。 预测阶段并行构建域特定分类器与共享分类器，依据各域边缘分布的相似性动态整合预测。其可核对的方法特点在于：既保留多源域之间的差异，也显式提取共同信息，并将域相似性用于预测融合。共享低层特征假设在不同被试间是否成立，以及私有域对齐是否仍能保留有用差异，需要结合正文与消融验证。 作者报告，在 SEED 和 SEED-IV 数据集的跨被试 EEG 情绪识别实验中，平均 Accuracy 分别为 88.1% 和 73.8%，并称优于所比较的先进域适应方法。摘要未提供被试划分、源域与目标域配置、目标域数据可见范围、对照方法明细及统计不确定性，因此这些数值不宜与其他协议下的结果直接比较。 复现时需核对输入特征与预处理、共享及私有提取器结构、各损失定义、域相似性估计方式和预测融合规则。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证；本研究的直接任务是 EEG 情绪识别，不能据此认定其对其他 BCI 任务具有同等效果。

    阅读价值：值得阅读的是其将跨被试共享表征、被试私有成分与按域相似性动态融合分类预测结合起来的多源域适应机制，但性能优势及各模块贡献仍需结合完整实验协议和消融核对。

  2. OpenReview · EEG77

    基于正则化图神经网络的 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 情绪识别中通道拓扑利用不足的问题，提出正则化图神经网络 RGNN，以脑区间的生物学拓扑建模 EEG 通道的局部与全局关系，并通过两个正则化机制分别处理跨被试差异和标签噪声。 核心机制是用图神经网络中的邻接矩阵表示 EEG 通道间关系，其连接方式与稀疏性设计受到人脑组织相关神经科学理论启发。摘要未提供邻接矩阵的具体构造、是否可学习及图信息传播方式，这些实现细节尚未验证。两个正则化机制分别为 node-wise domain adversarial training（NodeDAT，节点级域对抗训练）与 emotion-aware distribution learning（EmotionDL，情绪感知分布学习）：前者用于应对跨被试 EEG 变化，后者用于处理噪声标签；具体损失形式、监督要求和训练流程需查阅全文。 作者报告，在公开数据集 SEED 与 SEED-IV 上，RGNN 在多数实验设置中优于所比较的当时先进模型，并且消融研究显示，所提出的邻接矩阵与两个正则化机制均带来一致且显著的性能收益。摘要没有提供具体指标、分数、被试数量、数据划分或各项对照配置，因此不能据此量化提升，也不能将不同实验设置视为同一协议。实验协议、消融及统计信息尚未验证。 作者还报告，通过对神经活动的分析识别了与 EEG 情绪识别有关的重要脑区和通道间关系；这些发现的解释方法及稳健性尚需全文核对，不宜直接视为因果证据。复现时应重点核对 EEG 特征与预处理、图连接及稀疏性设置、NodeDAT 与 EmotionDL 的实现和权重，以及被试内和跨被试评估的具体划分与标签使用规则。摘要未提供代码或运行环境信息。

    阅读价值：值得阅读的具体原因是 RGNN 将 EEG 通道拓扑建模、跨被试差异处理与标签噪声处理结合起来，作者报告相关模块的消融收益，但具体评估协议与统计证据仍需全文核对。

6月1日周一
  1. OpenReview · EEG72

    基于潜在表征相似性的 EEG 情绪识别域适应

    基于摘要分析。该研究针对 EEG 个体差异导致的跨被试泛化困难，以及信号非平稳性导致的跨会话性能变化，提出基于潜在表征相似性的域适应方法。核心贡献是在优化源域情绪分类的同时，按网络层的功能差异对齐源域与目标域的不同分布，以改善情绪识别模型的迁移能力。 方法使用神经网络构建情绪分类器，训练目标包括降低源域分类误差，并提高源域与目标域潜在表征的相似性。具体而言，早期网络层采用对抗训练适配边缘分布，末端网络层采用 association reinforcement 适配条件分布。作者将同时适配这两类分布解释为对联合分布的近似适配。摘要未提供 association reinforcement 的具体定义、损失公式、网络结构及目标域标签使用条件，这些实现细节尚未验证。 作者报告，在 SEED 的三种情绪状态识别和 DEAP 的四种情绪状态识别评估中，该方法与多种代表性及近期域适应算法比较，达到或超过当时的先进方法。摘要未给出具体指标、数值，也未说明跨被试与跨会话任务各自的数据划分及基线配置，因此不能据此量化提升幅度或直接比较不同协议下的效果。 复现时需核对源域与目标域的构建方式、EEG 预处理与特征、目标域数据及标签的可用性、两类适配目标的实现和权重，以及跨被试、跨会话评估的统计方式。实验协议、消融及统计信息尚未验证；尤其需要查阅全文确认分层适配相对于单独边缘分布适配或条件分布适配的贡献。该研究直接面向 EEG 情绪识别，其结论不宜未经验证外推至其他 BCI 任务。

    阅读价值：值得阅读的具体原因是其按网络层功能分别适配边缘分布与条件分布，为 EEG 情绪识别的跨被试、跨会话域偏移提供了可核对的方法路径，但性能优势及复现条件仍需全文验证。

1月1日周一
  1. OpenReview · EEG70

    用于 EEG 情绪识别的 WGAN 域适应

    基于摘要分析。本文研究跨被试 EEG 情绪识别中的域偏移问题，提出 Wasserstein 生成对抗网络域适应框架 WGANDA，通过公共特征空间映射和对抗对齐，缩小源域与目标域的特征分布差异。 核心机制是由类似 GAN 的组件构成两阶段训练流程：预训练阶段将源域和目标域映射到共同特征空间；对抗训练阶段进一步缩小两域映射在该空间中的差距。作者在对抗训练中采用 Wasserstein GAN 梯度惩罚损失，旨在改善训练稳定性与收敛性。摘要未提供网络结构、完整损失公式、各项权重及训练配置，因此不能据此判断具体实现或收敛保证的适用条件。 作者报告，在 SEED 和 DEAP 两个公开 EEG 情绪识别数据集的跨被试评估中，WGANDA 能够处理域偏移，并显著优于所比较的先进域适应方法。摘要没有给出具体指标、数值、基线名称、被试划分或统计检验，因而尚不能量化提升幅度，也不能直接比较两个数据集上的效果。 复现时需核对源域与目标域的构建方式、目标域标签是否参与训练、EEG 预处理与特征提取、训练及测试数据划分，以及预训练和梯度惩罚各自的贡献。实验协议、消融及统计信息尚未验证；该结果针对 EEG 情绪识别，不能据此扩展为其他 BCI 任务的已验证效果。

    阅读价值：值得阅读的具体原因是 WGANDA 将公共特征空间映射与带梯度惩罚的 Wasserstein 对抗训练结合，用于处理跨被试 EEG 情绪识别的域偏移；其相对优势仍需核对完整实验协议与统计证据。

1月1日周日
  1. OpenReview · EEG76

    一种用于跨域 EEG 情绪识别的快速高效域适应技术

    基于摘要分析。本文针对不同被试或会话间 EEG 非平稳性造成的情绪分类性能下降，提出 adaptive subspace feature matching（ASFM），旨在不使用目标被试标注样本的条件下，在统一框架中减小源域与目标域的边缘分布和条件分布差异，同时降低域适应计算开销。 核心方法是构建不含正则化项的线性变换，对齐源域与目标域子空间的边缘分布；作者称该设计可显著降低计算复杂度，并使边缘分布与条件分布差异均得到减小。随后在变换后的源域上训练 logistic regression（LR），用于目标域分类。摘要未说明条件分布匹配的具体实现、目标域数据使用方式及子空间构造细节，这些机制尚未验证。 作者在一个包含 positive、neutral、negative 三种情绪状态的公开 EEG 数据集上，与六种典型方法进行离线和在线比较。作者报告：Cross-subject 离线评估中，ASFM 的平均 Accuracy 为 80.46%，标准差为 6.84%；对照 subspace alignment auto-encoder（SAAE）的平均 Accuracy 为 77.88%，标准差为 7.33%。在覆盖该数据集全部 15 名被试的 Cross-subject 在线评估中，ASFM 的平均 Accuracy 为 75.11%，标准差为 7.65%；最佳基线 LR 为 56.38%，标准差为 7.48%。摘要称在线提升显著，但具体统计检验尚未验证；离线与在线结果不宜脱离各自协议直接比较。 作者进一步认为，在训练与测试样本量受控于一定范围时，ASFM 适合实时分类，但摘要未提供样本量边界、运行时间或硬件条件。数据集名称、特征提取、源域与目标域划分、在线更新流程、消融及统计信息尚未验证。虽然作者结论涉及跨被试和跨会话适应，摘要所列定量结果仅明确对应跨被试评估，跨会话效果仍需核对全文。复现时应重点核对条件分布对齐实现、无标签目标数据的访问协议及计算效率测试条件。

    阅读价值：值得阅读的是 ASFM 在不使用目标被试标签的条件下兼顾分布对齐与计算效率，并提供跨被试离线和在线对照结果；条件分布对齐机制及实时性边界仍需全文核对。