Stiefel 流形路由：自適應子空間選擇助跨域 EEG 解碼

研究論文提出動態 Stiefel 路由方法，旨在解決跨域腦電圖（EEG）解碼的難題。現有黎曼深度學習方法中，不同受試者的協方差矩陣佔據對稱正定（SPD）流形的不同區域，導致域適應方法需要目標域校準數據或學習無法泛化的受試者特定組件。為此，研究者設計了動態 Stiefel 路由，其中包含一個專家投影濾波器池，每個專家專門處理 SPD 流形的不同區域，並通過跨注意力機制將輸入協方差路由到最合適的濾波器，從而實現每樣本的自適應子空間投影。論文的一個核心發現是，這種方法若朴素實現，會退化為集成平均：當路由權重均勻時，自適應濾波器精確等效於專家的等貢獻組合，與單一固定濾波器無異。然而，三個結構屬性打破了這種退化：一個對稱錨點 W_base 移除專家間的鄰近偏差；一個凍結的域判別查詢編碼器將路由與任務優化解耦；以及一個解耦的關鍵對齊損失，將專家關鍵點訓練向穩定域吸引子。這些改進共同產生了 SPD 流形上首個真正專注且域結構化的路由，在三個數據集上取得一致提升：平衡準確率從 0.773 提升至 0.823、0.757 至 0.809、以及 0.801 至 0.839，且對齊策略由單一數據驅動規則自動確定，無需數據集特定的超參數搜索。