MixMax：通过最优数据混合实现函数空间中的分布鲁棒性

基于摘要分析。本文研究模型如何在多个预先定义的群组或场景中改善最差组表现，针对 group distributionally robust optimization（group DRO）在参数非凸损失或非参数模型下的求解困难，提出 MixMax：将优化从参数空间转移到函数空间，再通过最优数据混合求解鲁棒学习问题。 理论机制方面，作者指出，有界函数空间中的 group DRO 满足一个极小极大定理；对于交叉熵和均方误差，极小极大意义下的最优混合分布可由一个简单的凸优化问题得到。在模型类具备通用函数逼近能力这一前提下，求解可分为凸优化与随后进行的常规风险最小化。该前提是理论结论的重要适用条件，不能直接视为任意有限容量模型都具有相同保证。摘要未提供混合分布的具体估计方式、优化实现或有限样本误差分析。 作者报告，在其所用实验设置下，MixMax 与标准 group DRO 基线持平或更优；在 ACSIncome 和 CelebA annotations 数据集的若干变体上，MixMax 改善了 XGBoost 相对于该模型唯一对照方法 data balancing 的表现。摘要未给出具体指标、数值、群组构造和数据划分，因此尚不能量化收益或判断不同设置间的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制依赖预先定义的群组及可估计的监督风险，可能对应 EEG 中被试或会话间性能不均衡的问题。可复用的是群组混合权重优化与加权风险训练流程，需改造群组定义、EEG 特征或解码器，以及仅基于训练数据的风险估计。低信噪比、每组样本偏少和通道差异可能使最差组估计不稳定，有限模型容量也可能削弱理论前提。一个可检验的小实验是在固定 EEG 解码器与相同数据划分下，将训练被试作为群组，对比常规训练、data balancing、group DRO 与 MixMax，在独立测试数据上同时报告平均及最差组 Accuracy；若采用 Cross-subject 协议，还需检验对未见被试是否有效，而非把已定义群组的鲁棒性直接等同于域泛化。已有 EEG 相关工作尚未检索确认。