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。

82 条精选近 30 天 21 条共收录 135 条

更新

精选归档 · 第 5 页

12月31日周日第 81–82 条
  1. OpenReview · EEG75

    用于减少 BCI 校准工作量的在线与离线域适应

    基于摘要分析。该研究针对 EEG 中 ERP 单试次分类的个体差异问题，提出在线与离线 weighted adaptation regularization（wAR，加权适应正则化）算法，目标是减少 BCI 校准所需的目标被试标注 EEG 数据，而不是假定一个固定分类器能够适用于所有被试。 研究动机是：即使面对相同刺激，不同被试的神经响应也存在差异，因此通用 ERP 分类器通常仍需利用被试特定的标注数据进行校准。论文以域适应处理这一问题，同时引入源域选择以降低计算成本。摘要未给出 wAR 的具体目标函数、权重定义、源域与目标域的构建方式，也未说明在线更新流程和离线训练协议，这些机制细节尚未验证。 作者报告，在视觉诱发电位 oddball 任务及三种不同 EEG 头戴设备的实验中，在线与离线 wAR 均显著优于若干其他算法；但摘要未列出对照算法名称、评价指标、被试数量、标注样本预算、数据划分或显著性检验细节，不能据此量化分类收益，也不能将不同设备的实验直接理解为 Cross-dataset 或跨设备迁移验证。作者另报告，源域选择可使计算成本降低约 50%，并据此认为方法更适合实时应用；该降幅对应的计算成本口径、硬件条件和在线延迟尚未验证。 复现时应重点核对目标被试标注数据的使用方式、源域选择准则，以及不同标注预算下分类效果与计算开销的变化，并确认在线与离线方法各自的评估边界。实验协议、消融及统计信息尚未验证，代码与完整复现条件也无法由当前材料确认。

    阅读价值：值得关注其针对 ERP 单试次分类的在线与离线域适应机制，以及源域选择降低计算成本的思路，但校准样本节省幅度、比较协议与实时可用性尚需全文核对。

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。