流形遷移學習

流形遷移學習的目標是藉由利用 SPD 流形的結構來降低分布位移，使解碼器能跨場次、跨受試者甚至跨裝置重用，減少或免除每場次的校準。主力是以仿射不變性為基礎的再中心化（把各領域的幾何平均對齊到單位矩陣），可再接上離散度縮放與旋轉（黎曼 Procrustes 分析）；平行移動則在不同參考點的切空間之間搬移模型，匯集再中心化後的資料則能實現與受試者無關或零校準的解碼器。

實證上，這些方法是振盪型與 ERP BCI 中最可靠的遷移技術之一，也是數個 BCI 競賽奪冠管線的核心。限制仍在：標籤位移、強烈非平穩的神經生理，以及超出仿射映射的範式或電極改變，都不是單靠幾何所能修正；當目標試次太少或跨領域的類別不平衡時，無監督對齊仍可能失敗。