ZeroMAG：EEG基础模型的零样本多模态适配器生成

EEG基础模型（EFM）从大规模EEG数据捕捉可复用知识，许多录音还含伴随生理信号，提供EEG单模态之外的信息。挑战在于保留预训练知识，同时从无标签目标数据推断适应，将EFM扩展到异构多模态录音。我们提出ZeroMAG，零样本多模态适配器生成框架，使用无标签目标录音扩展冻结EEG编码器和预测头，无需目标标签或目标侧优化。目标数据集完全不参与管线的训练与选择。ZeroMAG围绕配置不变适配器组织伴随模态，从无标签录音与任务上下文构建模态—主体—任务条件，并在从源适配器学习的功能约束潜空间中生成权重。在六个留出目标数据集和三个EFM骨干上，平均平衡准确率比EEG单模态高7.22个百分点、比直接权重回归高4.89点，与监督多模态适应平均仅差0.50点。消融显示，表示学习或条件生成中移除功能监督都会降低生成适配器表现，验证了两者贡献。