基于脑电图（EEG）的情绪识别如今面临着EEG信号在受试者内和受试者间差异性的巨大挑战。研究人员试图通过使用迁移学习方法来应对这一挑战，但通常面临两个主要局限：大多数方法致力于对齐源域数据和目标域数据的边际分布而非条件分布，使得对齐过程在类别层面不明确；前期研究更倾向于使用具有冗余参数的多层感知器（MLP）作为分类器，这可能会导致对有标记数据的严重过度拟合，并阻止模型绘制适合任务的表征空间。我们的工作提出了一种新颖的域对齐方法：自适应域对齐神经网络（ADANN）。我们通过设置两组标签原型，直接对源域和目标域的条件分布进行建模，每组原型代表每个域的条件密度函数最大值，而归一化从属相似度自然地代表了条件概率。样本的预测标签由相似度最大值给出，因此不再需要MLP分类器。ADANN使用实例对比学习来对齐两组原型，在此过程中学习两个域相应的条件分布。我们在与实际应用场景密切相关的协议下进行了详尽的跨域实验，与当前最先进的方法相比，取得了更佳或相近的性能。

文章地址：https://www.computer.org/csdl/journal/ta/5555/01/10716506/212a7szr3uo