沒有標準座標的難題
遷移之所以困難,有一個結構性的緣由。兩位受試者的電極位置不同,取樣的神經元也不同;沒有任何對應關係能說「這裡的第 7 單元等於那裡的第 7 單元」。更糟的是,即便在同一位受試者身上,所記錄的群體也會隨陣列位移、神經元來去而逐日改變 — 這正是擊敗固定解碼器的日常非平穩性。基礎模型的建構必須使這兩個問題都不致命。參見跨受試者遷移與跨場次對齊。
通道無關架構
最乾淨的答案是通道無關架構:讓模型不在意某個詞元來自哪個實體通道。POYO 把單一脈衝詞元化,並附上一個學到的單元嵌入與一個場次脈絡向量,再使用置換不變的注意力骨幹。由於單元是以學到的潛在碼、而非陣列索引來標識,模型便能吸納任意、可變的通道集合 — 而一個全新的場次,不過是同一套共享動力學之上的新單元嵌入而已。
對齊與穩定化
與之互補的策略,則假設底下有一個穩定的低維神經流形,只需把新的場次重新對齊到它上面。這就是潛在空間穩定化:找到一個變換,把今天的嵌入映射到參考幾何上。方法從線性的 Procrustes 旋轉、到分布匹配、再到黎曼再置中與流形遷移 — 正是你在共變異數解碼器學過的同一套幾何工具,如今施用於學到的潛在變數。
R^{\star}=\arg\min_{R\in\mathcal{O}(k)}\ \big\|\,Z_{s}R-Z_{\mathrm{ref}}\,\big\|_{F}^{2}
正交 Procrustes 對齊:將新場次的潛在嵌入 Z_s 旋轉到參考 Z_ref 上,在不需新標籤的情況下復原共享座標系 — 這是流形穩定化的線性核心。
遷移真的有幫助嗎?
誠實地衡量,證據真實但有其界限。多場次與多受試者的預訓練,確實能減少新場次所需的標籤資料、並改善少樣本解碼 — 這個效果在脈衝、EEG 與 fMRI 各類模型上都可重現。但最大、最乾淨的增益,仍出現在同一實驗室、同一任務、同一硬體之內。跨越差異很大的任務、物種或電極類型時,回報便趨於稀薄 — 而這也正是前沿多數真正的工作所在。