領域適應

領域適應處理神經資料普遍存在的非平穩性：訓練時（一次校準場次、某位受試者）的分布不同於部署時（日後某天、新受試者）的分布，因此固定的解碼器會退化。方法試圖在極少或沒有目標標籤下對齊來源與目標分布。特徵對齊法對齊統計量（相關對齊，或把每個場次的共變異數重新置中到共同參考的歐氏／黎曼對齊）；對抗法（領域對抗神經網路）學習讓領域分類器無法區分的表示；正規化法則把批次正規化統計量適應到目標。

跨場次漂移（同受試者、新的一天）通常較輕微，重新置中即可妥善處理；跨受試者漂移則嚴重，因神經解剖與電極配置位置各異，而能與受試者內校準相匹敵的非監督跨受試者遷移，大致仍未解決。歐氏對齊是一個出了名地強而簡單的基準，審慎的研究顯示它難以被超越。