CRoP：基于上下文的鲁棒静态人类感知个性化

深度学习和物联网的发展导致了多样化的人类感知应用。然而，各种因素或情境影响下的感知模式差异，挑战了通用神经网络模型的性能，因为存在自然的分布偏移。为此，个性化方法使模型针对特定用户进行调优。然而，大多数个性化研究忽略了感知数据中用户内部异构性，这限制了用户内部的泛化能力。这一限制在临床应用中尤为关键，因为数据稀缺削弱了泛化性和个性化。值得注意的是，用户感知属性预计会因外部因素如治疗进程而发生变化，这进一步复杂化了挑战。为解决用户内部泛化挑战，本工作引入CRoP，一种新的静态个性化方法。CRoP利用即插即用的预训练模型作为通用起点，通过对最小子网络进行自适应剪枝来捕获用户特定特征，同时允许剩余参数中融合通用知识。CRoP在四个人类感知数据集上显示出卓越的个性化效果和用户内部鲁棒性，其中包括两个来自真实世界健康领域的数据集，凸显了其实际和社会影响。此外，为支持CRoP的泛化能力和设计选择，我们通过梯度内积分析、消融研究和与最新基准的比较提供了经验依据。