arXiv 2026年10月5日ZeroMAG 提出一种零样本多模态适配器生成框架：在冻结 EEG 编码器与预测头的前提下，仅用无标签目标校准记录和任务上下文，通过配置不变的 1+N 适配器结构、模态–被试–任务条件，以及从源适配器学到的函数约束隐空间生成适配器权重；在六个留出目标数据集和三个 EEG 基础模型骨干上，其平衡准确率平均比仅 EEG 推理高 7.22 个百分点、比直接权重回归高 4.89 个百分点，平均仅比有监督多模态适配低 0.50 个百分点，且无需目标标签或目标端优化。ZeroMAG 提出一种零样本多模态适配器生成框架：在冻结 EEG 编码器与预测头的前提下，仅用无标签目标校准记录和任务上下文，通过配置不变的 1+N 适配器结构、模态–被试–任务条件，以及从源适配器学到的函数约束隐空间生成适配器权重；在六个留出目标数据集和三个 EEG 基础模型骨干上，其平衡准确率平均比仅 EEG 推理高 7.22 个百分点、比直接权重回归高 4.89 个百分点，平均仅比有监督多模态适配低 0.50 个百分点，且无需目标标签或目标端优化。ZeroMAG 用无标签校准信号零样本生成多模态适配器，在六个留出数据集上把冻结 EEG 基础模型的平衡准确率平均提升 7.22 个百分点ZeroMAG 提出一种零样本多模态适配器生成框架：在冻结 EEG 编码器与预测头的前提下，仅用无标签目标校准记录和任务上下文，通过配置不变的 1+N 适配器结构、模态–被试–任务条件，以及从源适配器学到的函数约束隐空间生成适配器权重；在六个留出目标数据集和三个 EEG 基础模型骨干上，其平衡准确率平均比仅 EEG 推理高 7.22 个百分点、比直接权重回归高 4.89 个百分点，平均仅比有监督多模态适配低 0.50 个百分点，且无需目标标签或目标端优化。ZeroMAG 提出一种零样本多模态适配器生成框架：在冻结 EEG 编码器与预测头的前提下，仅用无标签目标校准记录和任务上下文，通过配置不变的 1+N 适配器结构、模态–被试–任务条件，以及从源适配器学到的函数约束隐空间生成适配器权重；在六个留出目标数据集和三个 EEG 基础模型骨干上，其平衡准确率平均比仅 EEG 推理高 7.22 个百分点、比直接权重回归高 4.89 个百分点，平均仅比有监督多模态适配低 0.50 个百分点，且无需目标标签或目标端优化。