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。

110 条精选近 30 天 21 条共收录 173 条

更新

精选归档 · 第 6 页

1月1日周六第 101–110 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 · State space models72

    结合结构与分类空间对齐的异构域适应

    基于摘要分析。本文研究源域与目标域不仅分布不同、而且表示空间及特征维度也不同的异构域适应，提出 heterogeneous classification space alignment（HCSA），联合进行特征表示学习、结构保持、分布对齐和分类空间对齐，将源域样本与模型参数中的知识迁移至目标域。 作者指出，既有异构域适应方法通常将问题转化为同构域适应，或联合进行域变换与适应，但较多关注跨域特征和分布对齐，对各域自身结构及分类空间的保持关注不足。HCSA 的方法价值在于同时处理跨域对齐与域内信息保留，而非仅压缩源域、目标域的分布差异。摘要未给出各项约束的数学形式、权重设置、标签需求或源模型参数的具体迁移方式，尚不能据此重建完整目标函数。 作者报告设计了具有收敛保证并附复杂度分析的交替优化算法，还将 HCSA 扩展至深度网络架构；其保证成立的条件、网络结构及训练细节尚未验证。作者报告在实验中优于所比较的方法，但摘要未提供数据集、划分协议、基线名称或指标数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若源域与目标域的 EEG 表示因通道配置或特征提取方式不同而具有不同维度，同时任务类别具有可对应关系，HCSA 的异构表示对齐与分类空间保持可能提供迁移思路。该假设依赖可用的源域样本、源模型知识及适当的目标域监督，具体标签需求需查阅全文。可复用的是联合对齐与结构保持的思路；需改造的是 EEG 特征映射、通道关系及源模型参数接口。低信噪比、跨被试差异、通道信息缺失和目标域小样本可能使结构估计不稳定或导致负迁移。 一个可检验的小实验是在固定跨被试划分下，以不同通道子集构造异构源域与目标域，统一目标域标签预算，比较完整 HCSA 与移除结构保持或分类空间对齐项的版本，检验这些约束是否带来稳定收益。此实验仅为迁移假设的验证建议，不代表已有 EEG 结果；相关 EEG 工作尚未检索确认。复现前需取得全文，核对目标函数、监督条件、优化步骤及实现可用性。

    阅读价值：值得关注的是 HCSA 将域内结构保持、跨域分布与分类空间对齐结合，并迁移源域样本和模型参数知识，为异构特征空间的域适应提供了可核对的方法思路，但具体性能与 EEG 适用性尚未验证。

  3. 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。

1月1日周五
  1. OpenReview · State space models74

    通过共享丰度空间进行物理约束迁移学习的高光谱图像分类

    基于摘要分析。本文研究高光谱图像（HSI）分类中由采集条件变化引起的跨域光谱差异，提出 physically constrained transfer learning through shared abundance space（PCTL-SAS），将源域与目标域数据依据各自物理特性投影到共享丰度空间，以支持源域分类模型向目标域迁移。 核心机制是先通过具有物理意义的表示减小域差异，而非仅依赖源域预训练后在目标域微调。作者提出，该表示可使源域训练的模型应用于目标域，无需额外数据标注或网络重训练。摘要未说明丰度估计方式、具体物理约束、损失函数、网络结构，以及构建目标域投影所需的数据和计算成本；因此，不能将“不重训练分类网络”等同于“目标域完全无需适配”。 作者报告，实验中该方法优于所比较的先进方法，但摘要未提供数据集、源域与目标域划分、标注预算、对照方法或具体指标。实验协议、消融及统计信息尚未验证，尚不能判断优势来自物理表示、域对齐过程还是其他实现因素。 平台推测（待验证）：可供 EEG 域适应借鉴的假设是，将采集条件变化与较稳定的潜在成分分离，再在共享表示上分类。可复用的是“领域相关映射加共享分类器”的思路；需改造的是物理生成模型与表示约束，不能直接将 HSI 丰度空间视为 EEG 源空间。EEG 的正负极性、低信噪比、跨被试源差异、通道配置变化及小样本估计误差都可能破坏这一对应关系。一个可检验的小实验是在 Cross-session EEG 分类中，比较原始特征与候选共享表示：固定分类器仅使用源会话标签训练，目标会话无标签适配数据与测试数据分离，并检验表示对齐是否真正改善目标会话表现。此方案是迁移假设，不是原论文实验；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其利用领域物理特性构建共享表示、降低目标域标注与重训练需求的迁移路径，但摘要不足以验证具体物理约束及其对 EEG 的适用性。

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日周三
  1. OpenReview · State space models73

    通过共享丰度空间进行物理约束迁移学习的高光谱图像分类

    基于摘要分析。本文研究高光谱图像（HSI）分类中，由不同采集条件引起光谱变化而导致的源域与目标域性能差异，提出 physically-constrained transfer learning through shared abundance space（PCTL-SAS）。核心贡献是依据两域各自的物理特性，将数据投影至共享丰度空间，以减少域差异，使源域训练的分类模型能够用于目标域。 机制与对照：摘要将常见的源域预训练、目标域微调方案作为问题背景，指出这类方案通常需要目标域标注及网络重训练。PCTL-SAS 则尝试在输入表示层面建立共享空间，而非依赖目标域微调。其关键前提是两域的物理特性能够支持具有对应意义的丰度表示；具体物理约束、丰度估计方法、优化目标及目标域数据使用方式尚未验证，不能据此确定网络结构或训练细节。 结果与证据边界：作者报告，在所开展的 HSI 分类实验中，该方法优于所比较的先进方法，并可避免额外目标域标注或网络重训练。摘要未提供数据集、域划分、评价指标、数值及基线名称，因此无法量化优势或判断适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 在不同被试或采集条件下存在可稳定估计、且与任务相关的共同潜在成分，这种先构建受约束共享表示、再迁移分类器的思路可能对应跨被试或跨会话域差异。但 HSI 的物理丰度表示不能直接等同于 EEG 源活动，需要重新设计成分定义、混合假设与约束；低信噪比、通道变化、小样本及被试差异可能破坏成分可辨识性，或在对齐时损失任务信息。可检验的小实验是在固定跨会话划分中，仅用源域标签训练分类器，对比原始特征与受约束共享成分表示，明确目标域无标签数据的使用范围，并检查分类效果及成分稳定性。此实验仅用于验证迁移假设，不代表已有 BCI 效果；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 PCTL-SAS 如何利用物理特性构建共享丰度空间，以及其无需目标域额外标注或网络重训练的适用条件，但摘要不足以验证具体效果或 EEG 迁移价值。

1月1日周一
  1. OpenReview · State space models80

    学习适应结构化输出空间以实现语义分割

    基于摘要分析。该研究针对语义分割模型依赖像素级标注、对未见图像域泛化不足的问题，提出在结构化输出空间开展对抗学习的域适应方法，以利用源域与目标域分割结果中的空间相似性。 核心机制是将语义分割预测视为具有空间结构的输出，并在输出空间进行对抗式域适应；作者还构建多层级对抗网络，在不同特征层级开展输出空间适应。摘要未提供具体网络结构、损失形式、训练流程或目标域标签使用条件，这些细节尚未验证。原研究对象是图像语义分割，而非状态空间模型或 EEG 解码，不能由来源栏目推断其算法类别。 作者报告，在包括合成到真实、跨城市场景的多种域适应设置下进行了实验和消融，所提方法在准确性与视觉质量方面优于所比较的当时先进方法。摘要未给出数据集名称、划分、基线、指标定义或数值，因此无法判断提升幅度，也不能将其准确性表述直接等同于分类 Accuracy；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有逐时间点事件标注等结构化输出，并且不同被试或会话之间的标签转移关系较稳定，则可假设输出空间对抗对齐有助于缓解跨被试或跨会话分布差异。可复用的是输出域判别与对抗训练思路；需将图像空间输出改造为时间序列预测，并核对监督条件及适应样本使用范围。普通单标签 MI 分类并不直接具备语义分割的空间结构，迁移依据较弱。低信噪比、小数据及被试间真实事件分布差异可能使对齐放大错误预测或抹去有效差异。 一个可检验的小实验是假设在有逐时间点标签的 EEG 任务上，以固定源域训练、目标域适应及独立目标域测试划分，比较无适应、特征空间对齐和输出空间对齐，并检验结构一致性与任务指标是否同时改善。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将域适应约束施加于结构化预测输出、而非仅对齐特征的机制，但其对 EEG 的适用性取决于任务是否具有跨域稳定的输出结构，尚未验证。

  2. 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。

12月31日周日
  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。