文献阅读6

6. Disscusion

6.1. Ablation study

消融实验从两部分展开：1）关于 DBPM 组件的消融（Ablation Study about DBPM）2）关于训练策略的消融（Ablation Study about Training Strategy）

• 1）关于 DBPM 组件的消融（Ablation Study about DBPM）
  ①：w/o Discriminator（去掉域判别器/对抗对齐），没有域对齐后性能大幅下降，说明域判别器对缓解跨被试差异非常关键
  ②：w/o Prototype Matching（去掉原型匹配），原型匹配将源域的标签信息以伪标签形式迁移到目标域，如果改为直接使用模型输出作为伪标签，模型性能会下降。
  ③：w/o Target Pseudo-label Loss（去掉目标域伪标签损失），伪标签监督对 SEED 提升很明显；对 SEED-IV 提升较小（去掉后只小幅下降）

• 2）关于训练策略的消融（Ablation Study about Training Strategy）
  这部分研究“训练流程设计”带来的增益，
  ①w/o Mixed-Source Pretraining Stage（去掉混合源域预训练阶段），混合源域预训练能带来稳定增益，但不是最关键的那一个模块。

②w/o Sequential Multi-Source Strategy（去掉顺序多源策略），顺序多源训练对性能贡献很大，去掉后掉得明显

6.2. The effect of noisy labels噪声标签的影响

Table 4 内容：在 SEED 数据集上给源域标签加入噪声（Noise Ratio%），然后在干净目标域上评估 accuracy。当噪声比例从 10% 增加到 50% 时，模型在目标域上的准确率仍保持在 91% 以上，表现出很强的鲁棒性。即使在 60% 的标签噪声下，模型仍能达到 87.57% 的准确率；只有当噪声水平达到 70% 时，才观察到明显的性能下降。这些结果清楚地表明，即使存在较高比例的标签噪声，所提出模型仍能保持较强的跨域识别性能。

所提出模型的鲁棒性可以由其基于原型的伪标签策略来解释：该策略起到了“去噪”过程的作用。与其依赖单个带噪样本，标签信息通过能够表征子域分布中心趋势的簇级原型进行传播。这种聚合自然会抑制被错误标注的离群点（outliers）的影响，并稳定学习过程。因此，在向目标域迁移知识时，只会强调更可靠的结构信息，从而减轻噪声标签的影响。如图 12(c) 所示，即使源域中存在被标为离群类别的样本，目标域特征仍然保持清晰可分，从而进一步证明该模型在跨域迁移中的鲁棒性。

Fig12内容：

• 三个子图，(a) Before Training、(b) With DANN、(c) With DBPM；

• 形状含义：三角形 = 源域样本；圆形 = 目标域样本

• 颜色含义：绿=negative，蓝=neutral，红=positive

• 空心大标记：原型（prototype）

• 灰色箭头：目标原型与最近源原型的对应关系（prototype matching）
  

• (a) Before Training（训练前）
  表现为源域和目标域点云分散、混杂，同一颜色（同一类）在不同位置出现，说明类内不紧凑，源/目标分布差异大，没做对齐/没学到判别特征的典型状态。

• (b) With DANN（仅用对抗域适应）
  可以看到某种程度上源/目标靠近了（域间差异部分减小），但仍存在明显问题：类别边界不清、不同颜色之间仍有交叠/拉扯；DANN 更偏对齐整体分布，但对“按类别分开”的结构帮助有限，尤其在有噪声标签时更容易出现类边界模糊。

• (c) With DBPM（DBPM）
  

6.3. The effect of hyperparameter settings文字内容翻译

（a）我们还研究了所提出 DBPM 中超参数设置的影响。我们进行了实验来考察 Algorithm 1 中提到的 预训练轮数（pretraining epochs） 的影响。如图 8(a) 所示，当预训练轮数为 14 时能获得最佳性能。这是一个合理的结果，因为 SEED 数据集包含 14 个源域（14 个源被试），而 14 轮预训练能够保证所有源域数据都被充分遍历。该过程有助于实现源域与目标域边缘分布（marginal distribution）的初步对齐。

为进一步探索，我们又将预训练轮数扩展到 28、42、56 并做了额外实验设置。然而，相比 14 轮，准确率更低，这表明过多预训练可能导致过拟合，并在后续训练中削弱对目标域的原型匹配能力。

（b）β 是 DBPM 训练目标函数里的一个权重超参数，用来控制目标域伪标签损失在总损失中占多大比例
β 太小：目标域伪标签这条监督信号太弱，模型主要被源域标签驱动，目标域“按类别对齐/子域一致性”不够，迁移效果差。
β 太大：目标域伪标签损失占主导，→ 伪标签本身可能有噪声，会把模型带偏；同时会削弱源域真实标签的作用，导致标签传播不稳。

β 在 0.011（即 11×10^-3）附近最好（约 95.4%），β 太小（如 0.005~0.006）或太大（如 0.014）都会下降

其中\(L_{\mathrm{cls}}\)是源域分类损失，用源域的真实标签算的监督损失（一般是交叉熵）。它反映模型在源域上“被真标签约束得多强”

\(\beta L^t_{pl}\)是目标域（target）伪标签损失，用 DBPM 生成的伪标签（通过聚类+原型匹配得到）对目标样本做的分类损失。它反映模型在目标域上“被伪标签约束得多强”。

\(\beta\)目标域伪标签损失的权重，因为\(L_{\mathrm{cls}}\)和\(\beta L^t_{pl}\)数值量级可能不同，直接比较不公平，所以把目标项乘上\(\beta\)，来表示它在总损失里真正的“有效权重”。

当Ratio ≈ 1时，两者在同一量级，对梯度贡献相对平衡（注意这只是损失数值层面的平衡，不等于梯度完全相等，但通常是一个有用的近似信号）

6.4. Stability analysis稳定性分析的内容感觉不用再写了，PPT里面讲不完

6.5. Pseudo-labeling analysis伪标签分析

原文翻译：为了进一步分析所提出模型的有效性，我们评估了由“原型匹配（Prototype Matching）模块”生成的伪标签质量。具体来说，我们比较了第 3.2 节中介绍的三种具有代表性的伪标签策略：(1) 按情绪类别（Emotion-wise）：直接把一个在源域训练好的模型预测结果当作伪标签；(2) 按样本（Sample-wise）：在特征空间中，为每个目标样本分配与其最相似的源样本的标签；以及 (3) 按簇（Cluster-wise）：我们提出的策略，通过聚类得到的原型表示来传播标签。评估在 SEED 数据集的第 1 个 session 上进行，因为该设置为伪标签质量分析提供了一个具有代表性且可控的基准。

表 6 同时报告了最终模型准确率以及伪标签准确率。正如预期的那样，emotion-wise 伪标签会得到相同的模型准确率与伪标签准确率，因为它直接复用了模型预测。相比之下，sample-wise 伪标签的伪标签准确率显著下降，主要原因是决策边界附近的不稳定性，这凸显了它对噪声的敏感性。相较而言，cluster-wise 策略的伪标签准确率达到 95.37%，表明原型匹配能够有效缓解标签噪声，并促进源域与目标域之间的条件分布（conditional distribution）对齐。这些高质量伪标签也直接带来了更优的最终模型准确率 95.42%，从而验证了我们的方法在提升跨被试泛化方面的有效性。

表 6 给了三种伪标签策略的两项指标：Model Acc (%)：最终模型在目标域的准确率（或该实验设置下的准确率）；Pseudo Acc (%)：伪标签本身的准确率（用目标域真标签去“事后对比”计算）

为什么 Emotion-wise 的两个数完全一样？
因为 emotion-wise 的定义就是“把模型预测当伪标签”，因此伪标签对目标域真值的准确率，本质就是“这个模型在目标域上的准确率”，两者必然相同。这一行更像是一个参照基线，告诉你“直接用当前模型输出当伪标签，质量就只有这么多”。

Sample-wise 为什么伪标签准确率更低（82.81）？
Sample-wise 是“给每个目标样本找最近的源样本，用它的标签，它的问题在于最近邻在边界附近非常不稳定，特征空间如果还没对齐好，最近邻关系会“错配”，一旦错配，伪标签会把错误继续传下去。

Cluster-wise（原型匹配）为什么会大幅提升？
Cluster-wise 的关键是“簇级传播”，先聚类形成子域/簇，用簇中心（prototype）代表结构，再做原型匹配把源域的“类信息”迁移给目标簇，这样等于是用“群体统计”抵消单个样本的噪声和偶然性

可能存在的一个问题：Pseudo Acc 是怎么计算的？在什么样的训练时刻计算？
常见有两种口径：在某个阶段生成一次伪标签，和真标签对比；或训练过程中不断更新伪标签，最后统计某一轮。论文这段没有展开细节。如果 pseudo acc 是“最后一轮的伪标签准确率”，那它可能已经受到模型训练的反馈影响；如果是“早期生成的伪标签准确率”，则更能说明原型匹配一开始就很可靠。

6.6. Analysis of prototype matching dependency on base performance

原型匹配对基线性能依赖性的分析
这一段也不打算在PPT讲

6.7. Generalization to new datasets跨数据集实验

整体翻译：为了全面评估我们提出的 DBPM 方法的泛化能力，我们在 SEED 与 SEED‑IV 数据集之间进行了跨数据集（cross-dataset）的 EEG 情绪识别实验。按照以往工作的标准协议 [57,58]，其中一个数据集用于训练，另一个用于测试。具体来说，我们在跨数据集之间对情绪类别进行了映射：对于 SEED，三类情绪为 positive / neutral / negative；对于 SEED‑IV，将 happy 映射为 positive，将 neutral 映射为 neutral，并将 fear 与 sad 合并映射为 negative，从而与 SEED 的三分类标签对应。

由于我们的方法采用“一对一原型匹配”，目标数据集中的每个被试都被视为一个独立的目标域。最终的跨数据集准确率计算为所有目标被试准确率的平均值。表 8 给出了这些实验结果。我们的 DBPM 方法取得了最高性能：在 SEED→SEED‑IV 上达到 65.95%，在 SEED‑IV→SEED 上达到 70.59%，显著优于 IAG [57]、GMSS [58]、DAN [49]、MSDA‑SFE [59] 以及 GDDN [51] 等现有方法。

有趣的是，SEED‑IV→SEED 的准确率高于 SEED→SEED‑IV。我们推测这主要是因为 SEED‑IV 包含更多样的电影刺激材料，使得 SEED‑IV 在进行原型匹配时能够受益于更丰富的分布。因此，模型可以从 SEED‑IV 构建出更可靠的原型，从而在预测 SEED 的情绪时获得更好的迁移性能。上述结果表明，DBPM 能够在情绪分布与刺激材料不同的数据集之间实现有效泛化，凸显了基于原型匹配在跨被试 EEG 情绪识别中的鲁棒性。

6.8. Feature representation特征表示 跟之前分析图12是一样的

7.Conclusion