BCI 的遷移學習

遷移學習重複利用來源資料或預訓練模型的知識，以減少新的 BCI 使用者或任務所需的已標記資料。實務上這意味著在許多受試者上（或以自監督）預訓練一個編碼器，再於目標使用者的短暫校準上微調其部分或全部權重；或凍結骨幹、僅訓練一個小型的受試者專屬輸出頭。目標是讓可用的解碼器只需數分鐘而非數小時的校準——這正是臨床展示與實用裝置之別。

關鍵設計抉擇在於「遷移什麼」（低層的時間與空間濾波器遷移良好，高層、受試者專屬的決策層則否）與「微調多少」（在少量資料上調太多會重新過度擬合，調太少則未彌合來源–目標落差）。少樣本與元學習的表述把此推向近乎即時的校準，但誠實的評估顯示相對於完全受試者專屬訓練仍存在持續的準確率落差，該落差隨更佳的預訓練而縮小，而非消失。