DDIR：面向定制化预测的域解耦不变表征学习

基于摘要分析。该研究关注域泛化中域不变表征学习（DIR）可能提升分布外（OOD）泛化、却牺牲同分布（IID）性能的问题，提出 Domain-Disentangled Invariant Representation（DDIR）学习，在保留域不变信息的同时，利用额外的任务相关信息支持逐样本定制化预测。 作者认为，DIR 会忽略与任务相关、但并非域不变的信息，并将其称为 Domain-Orthogonal Invariant（DOI）信息。DDIR 在单一骨干网络内引入信息解耦损失，提取域不变信息与不同的 DOI 信息，目标是在保留有用信息的同时避免冗余；推理阶段再为各目标样本选择 DOI 信息。作者报告该方法具有较低的空间复杂度，并在 IID 与 OOD 场景中改善泛化表现，但摘要未提供复杂度比较对象、数据集、划分、基线及具体指标，不能据此量化收益。DOI 的形式化定义、损失表达式、逐样本选择依据，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应问题是跨被试或跨会话学习中，强制域不变可能丢弃部分任务相关差异。迁移假设依赖多源域数据、明确的域标识及任务监督；可考察复用信息解耦与推理选择思想，但需适配 EEG 编码器并核对选择机制是否依赖目标标签。低信噪比、通道差异及小样本可能使 DOI 捕获伪相关，或导致选择不稳定。一个可检验的小实验是在固定 EEG 数据集和相同训练预算下，对比 DIR、DDIR 及关闭 DOI 选择的版本，分别报告源域留出测试与未见被试测试结果。该方案并非论文已验证结果，已有 EEG 相关工作尚未检索确认。