Routing on the Stiefel Manifold: When Does Adaptive Subspace Selection Help for Cross-Domain EEG Decoding?

Resumo Técnico: Roteamento no Manifold de Stiefel para Decodificação de EEG Cross-Domain

1. Declaração do Problema

A decodificação de EEG cross-domain permanece um desafio significativo em Interfaces Cérebro-Computador (BCIs). Embora métodos de aprendizado profundo riemanniano (ex: SPDNet) tenham avançado o campo ao representar sinais neurais como matrizes de covariância no manifold Simétrico Positivo Definido (SPD), eles lutam contra a alta variabilidade inter-sujeito.

• O Problema Central: Diferentes sujeitos ocupam regiões sistematicamente distintas no manifold SPD devido a variações no posicionamento dos eletrodos, condutividade do escalpo e padrões neurais.
• A Limitação: Métodos padrão de adaptação de domínio ou exigem dados de calibração do domínio alvo ou aprendem componentes específicos de cada sujeito que falham em generalizar.
• O Descompasso de Design: Redes profundas existentes utilizam uma projeção de subespaço fixa (um filtro BiMap $W$ único) para todas as entradas. Esta arquitetura é geometricamente consciente da estrutura do manifold intra-sujeito, mas "cega" para a estrutura inter-sujeito. Uma única projeção compartilhada não consegue contabilizar a região específica do manifold SPD que uma entrada ocupa, levando à saturação de desempenho.

2. Metodologia: Pool de Stiefel Adaptativo ao Domínio (DASP)

Os autores propõem o Domain-Adaptive Stiefel Pool (DASP), uma camada projetada para rotear dinamicamente cada matriz de covariância de entrada para um filtro de projeção específico da amostra no manifold de Stiefel $St(n, k)$ sem retreinamento ou calibração.

A Abordagem Ingênua e seu Fracasso:
A ideia inicial envolvia um pool de $K$ filtros especialistas $\{W_j\}$ e o roteamento de entradas via um baricentro riemanniano ponderado. No entanto, os autores provam que uma implementação ingênua colapsa em uma solução degenerada:

• Colapso de Roteamento: Os pesos de roteamento $\alpha_i$ tornam-se uniformes ($\approx 1/K$) para todas as amostras.
• Consequência: O filtro adaptativo reduz-se a um único filtro fixo (a média de Fréchet dos especialistas). O ganho de desempenho observado deve-se exclusivamente à diversidade do ensemble, não à adaptação por amostra.
• Mecanismo: Este é um degeneramento de gradiente autorreforçado. Quando os especialistas são semelhantes, o desvio de qualquer especialista individual em relação à média ponderada é negligenciável, não fornecendo sinal de gradiente para diferenciá-los. O roteamento uniforme impede a especialização, o que, por sua vez, mantém a similaridade.

A Solução: Três Correções Estruturais
Para quebrar essa degenerescência, os autores introduzem três componentes estruturais, inspirados em Learning to Prompt (L2P) para aprendizado contínuo:

1. Âncora Simétrica ($W_{base}$):

   • Em vez de ancorar a interpolação a um baricentro dinâmico ou a um especialista específico (ex: $W_1$), um parâmetro aprendível dedicado $W_{base} \in St(n, k)$ é introduzido.
   • Função: Ele remove o "viés de proximidade", garantindo que nenhum especialista tenha uma vantagem geométrica, permitindo que todos os especialistas recebam sinais de gradiente iguais para especialização.

2. Codificador de Query Discriminativo de Domínio Congelado (DSP):

   • MLPs padrão treinados de ponta a ponta aprendem características discriminativas de classe, o que é o viés indutivo errado para roteamento (que requer discriminação de domínio).
   • Função: Uma matriz de projeção congelada ($P_{DSP}$) é aplicada ao espaço tangente da log-covariância. Esta matriz é derivada da matriz de dispersão entre domínios dos dados de treinamento. Ela atua como um extrator de características fixo que fornece informações de identidade de domínio ao mecanismo de roteamento, desacoplando-o da perda de otimização da tarefa.
   • Adaptação: Isso é habilitado apenas quando a razão tangente-ao-domínio $\rho = \frac{n(n+1)/2}{D}$ é alta (especificamente $\rho > 50$), onde os sinais de domínio estão enterrados em ruído de alta dimensão.

3. Perda de Alinhamento de Chave Desacoplada:

   • Treinar chaves de especialistas puramente via entropia cruzada cria um problema de "alvo móvel", onde as chaves se deslocam para auxiliar na classificação em vez da identidade de domínio.
   • Função: Uma perda de alinhamento separada ($L_{align}$) treina as chaves dos especialistas exclusivamente em direção a atratores de domínio estáveis. Utiliza um mecanismo de "vencedor leva tudo" (atualizando apenas a chave com o maior peso de roteamento) e um stop-gradient na query para evitar que as chaves derivem com a tarefa de classificação.

Metodologia de Escalonamento Unificado:
Os autores propõem uma regra baseada em dados baseada na razão $\rho$ (dimensão do tangente vs. número de domínios) para determinar automaticamente os hiperparâmetros:

• $\rho$ Alto ($>50$): O DSP é habilitado e o desacoplamento de chave está ativo.
• $\rho$ Baixo ($\le 50$): O DSP é desabilitado e as chaves são treinadas conjuntamente com a tarefa.
• Contagem de Especialistas ($K$): Escala sublinearmente com o número de domínios $D$.

3. Principais Contribuições

• Prova Teórica: O artigo prova que o roteamento adaptativo ingênuo no manifold de Stiefel colapsa para uma solução degenerada indistinguível de um filtro fixo, caracterizando o mecanismo de gradiente responsável.
• Métrica Diagnóstica: Introdução do gap de proxy $K=1$ ($\Delta_{K=1}$), definido como a diferença de acurácia entre o modelo adaptativo e um único filtro fixo (a média do ensemble). Um $\Delta_{K=1}$ positivo é uma condição necessária para provar que o roteamento genuíno está ocorrendo, distinguindo-o de mera média de ensemble.
• Camada DASP: Um substituto direto (drop-in replacement) para camadas BiMap padrão que integra as três correções estruturais para alcançar um roteamento genuíno e estruturado por domínio.
• Escalonamento Unificado: Uma metodologia baseada em regras para seleção de hiperparâmetros (DSP, perda de alinhamento, $K$) que não requer ajuste específico ao dataset e generaliza através de geometrias contrastantes.
• Extensão: Uma extensão teórica para matrizes retangulares de posto total é descrita, permitindo a escala de amplitude além da rotação de subespaço.

4. Resultados Experimentais

O método foi avaliado em três datasets de motor imagery com dimensões e contagens de domínios variadas:

• Weibo2014: $\rho$ alto (203).
• BNCI2015001: $\rho$ baixo (3.3).
• BNCI2014001: $\rho$ intermediário (28).

Principais Descobertas:

• Ganhos de Desempenho: O DASP melhorou a acurácia balanceada em todos os datasets:
  • Weibo2014: $0.773 \to 0.823$
  • BNCI2015001: $0.757 \to 0.809$
  • BNCI2014001: $0.801 \to 0.839$
• Validação do Roteamento: Crucialmente, o modelo adaptativo ingênuo mostrou $\Delta_{K=1} \approx 0$ no Weibo2014, confirmando sua falha de roteamento. Em contraste, o DASP alcançou $\Delta_{K=1}$ positivo em 4/5 folds (Weibo) e 5/5 folds (datasets BNCI), provando que o roteamento é genuíno.
• Ablação: Remover qualquer uma das três correções estruturais (Âncora Simétrica, DSP Congelado ou Alinhamento Desacoplado) resultou em um retorno à degenerescência ou redução de desempenho, confirmando sua necessidade.
• Qualidade do Roteamento: O DASP alcançou menor entropia de roteamento (roteamento mais "comprometido") e maior razão de alinhamento de domínio em comparação com os baselines.

5. Significância e Alegações

O artigo afirma apresentar o primeiro roteamento genuinamente comprometido e estruturado por domínio no manifold SPD.

• Ele aborda a limitação fundamental das projeções de subespaço fixas na decodificação de EEG cross-domain.
• Fornece um diagnóstico principiológico (gap de proxy $K=1$) para evitar a interpretação errônea da diversidade de ensemble como roteamento adaptativo.
• Demonstra que, ao emprestar princípios estruturais de Learning to Prompt (encoders congelados, perdas desacopladas) e adaptá-los à geometria riemanniana, é possível alcançar uma adaptação de domínio robusta e sem calibração.
• Os autores enfatem que sua abordagem não requer dados de calibração do domínio alvo e nenhum ajuste de hiperparâmetros específico do dataset, baseando-se em vez disso em uma única regra de escalonamento baseada em dados.