EmBrace: A Collective Knowledge Fusion Framework Toward Unified EEG Foundation Models
Ziyu Jia, Junyi Lin, Pu Wan, Jinxin Pi, Jingying Ma, Peiliang Gong, Xinliang Zhou, Yi Ding, Chenyu Liu
ICML 2026 主会 · OpenReview
OVERVIEW
论文概览
通过集体知识融合把不同 EEG 数据集、任务和专家模型中的互补能力汇聚到统一基础模型中。
ABSTRACT
中文摘要
EEG 数据在导联布局、采集设备、任务范式与标签空间上高度异质，使单一预训练数据或单一教师模型难以形成通用表征。EmBrace 以集体知识融合为核心，把多个数据来源和模型中的互补知识整合进统一 EEG 基础模型，并在下游任务中评估可迁移性。该框架关注的重点不是继续扩大某个单数据集模型，而是如何在不抹平数据差异的条件下形成可复用的共享神经表征。
RESEARCH RELEVANCE
与你研究的关系
直接对应统一 EEG 编码器和多数据源预训练，也能作为 fMRI/EEG 共享模型中“知识层融合”而非只做样本拼接的参考。
LIMITATIONS
局限与核查重点
需要核查融合是否依赖同构任务标签，以及对未见导联、未见被试和 EEG→视觉/语言任务的收益。
SOURCE
来源与原文
ICML 2026 主会 · OpenReview
Ziyu Jia, Junyi Lin, Pu Wan, Jinxin Pi, Jingying Ma, Peiliang Gong, Xinliang Zhou, Yi Ding, Chenyu Liu. EmBrace: A Collective Knowledge Fusion Framework Toward Unified EEG Foundation Models. ICML 2026 主会 · OpenReview. https://openreview.net/forum?id=BJ5rYj8O8W