arXiv来源发表:
脑电基础模型微调不再背着受试者差异：解耦出内容与风格，跨受试者分类更稳
核心概要
脑电基础模型微调多了一个即插即用适配器DEFT。此前预训练嵌入里保留大量与受试者相关的变异，下游分类器在跨受试者场景下要额外承担这部分负担。DEFT把预训练令牌拆成面向任务的内容分支和与受试者一致的风格分支，只从内容分支做预测，并用递归高斯细化、时间方差正则、受试者感知对比学习和重建来实现这种先分解再分类的设计。在多个脑电数据集和四个基础模型骨干上，它优于匹配的微调基线，消融与分析支持内容与风格的分支组织。
深度剖析
脑电基础模型的微调多了一条把预训练表示拆成任务内容与受试者风格两条分支的路径，下游预测只走内容分支。 此前的微调直接在下游分类器上使用预训练嵌入，而这些嵌入仍保留大量与受试者相关的变异，跨受试者场景下这部分变异成为分类器的额外负担。 在多个脑电数据集和四个脑电基础模型骨干上，这一适配器优于匹配的微调基线。
实现方式是先分解再分类：把预训练令牌分成面向任务的内容和与受试者一致的风格，再从内容分支输出预测。 该设计由递归高斯细化、时间方差正则、受试者感知对比学习和重建四项机制共同实例化，作为即插即用适配器接入现有微调流程。 进一步的消融与分析支持内容分支与风格分支按预期组织。
启示与展望
该适配器面向脑电基础模型的微调环节，适用于跨受试者设置下的下游分类任务，并在多个脑电数据集与四个基础模型骨干上得到验证。读者若关注脑电解码流程，可留意它作为即插即用组件接入现有微调管线的表现。
材料为摘要级，未给出各数据集上的具体指标数值与提升幅度，也未说明跨受试者设置的具体划分方式。消融与分析支持内容与风格的分支组织，但分支是否在所有骨干与任务上都保持稳定，材料未进一步展开。