用于域泛化的元学习不变表征方法

研究针对域泛化中不变表征可能过拟合源域、难以适应与源域差异较大的未知目标域这一问题，提出基于双层优化的元学习算法。基于摘要分析，未取得论文全文。 核心机制是将两类分布差异纳入不同优化层级：内循环目标最小化不同源域之间的差异，外循环目标最小化源域与一个潜在目标域之间的差异。其方法动机是不仅要求表征在已见源域间保持不变，还要降低这种不变性对源域组合的依赖。作者报告从几何视角分析了该算法改善不变性学习域外鲁棒性的作用；具体差异度量、潜在目标域的构造方式、优化实现及理论成立条件尚未验证。 作者报告在五个数据集上评估，并在所比较的一组强域泛化基线中取得最佳结果。摘要未给出数据集名称、任务、划分协议、指标及具体数值，因此无法判断优势幅度及其适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若能够将不同被试或会话组织为多个训练源域，该双层优化机制可能对应 EEG 跨被试或跨会话分布偏移问题。可考虑复用内外循环的优化框架，但需根据全文确认域差异目标是否适用于 EEG 表征，并适配信号编码与潜在目标域构造。低信噪比、通道配置差异及小样本可能使域差异估计不稳定，过强对齐也可能损伤任务相关信息。一个可检验的小实验是在固定 EEG 编码器与相同训练预算下，以训练被试构造多个源域，比较普通不变表征训练与双层优化在留出被试上的表现；留出被试不参与训练或调参，并检验结果对源域组合的敏感性。已有 EEG 相关工作尚未检索确认。