PEER Pressure：用于单源域泛化的模型间正则化

基于摘要分析。本文研究通用机器学习中的单源域泛化（sDG）：仅利用一个源域训练，期望泛化到未见目标域。作者提出 Parameter-Space Ensemble with Entropy Regularization（PEER），由代理模型学习增强数据，再通过参数平均更新主模型，以积累不同增强所提供的知识并缓解训练中的性能波动。 作者观察到，基于数据增强的方法在训练期间存在目标域性能波动，增加了现实条件下选择模型的难度；作者将其归因于模型难以持续积累多样增强中的知识，以及随之加剧的特征失真。PEER 让代理模型承担增强数据上的学习，并最大化两模型输出表示之间的互信息来引导代理模型训练。摘要未给出互信息估计方式、完整损失、参数平均规则或训练与推理开销，具体实现尚未验证。 作者报告，在 PACS、Digits、Office-Home 和 VLCS 的单源域泛化实验中，PEER 减少了分布外（OOD）性能波动并改善泛化；作者还称，使用简单随机增强即可超过采用复杂增强策略的既有方法。摘要未提供具体指标、数值、源域与目标域配置、模型选择规则及基线细节，因此无法量化提升或判断不同实验之间的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应问题是源域增强训练可能扰动已有表征，但原文未验证 EEG 或 BCI。可复用的部分是代理模型、参数平均和输出互信息约束；需改造的是增强策略，使其保持任务相关的时频及空间结构。低信噪比、小数据和跨被试或通道差异可能使代理模型积累伪特征，参数平均也未必保留判别信息。一个可证伪的小实验是在单一源被试训练、未见被试测试的 EEG 分类协议下，固定骨干、增强与无目标域标签的选模规则，对比直接增强训练、仅参数平均及完整 PEER，检查跨被试性能与训练波动是否同时改善。已有 EEG 相关工作尚未检索确认。