用于域泛化的曲率启发式标量特征缩放的受控评估

基于摘要分析。本文研究曲率启发式特征缩放是否改善域泛化，通过实现审计与受控比较，给出一个特定标量缩放训练方案的有限范围负结果，而非评估真正的双曲表征学习。 机制方面，代码将该实现称为 HyperDG，但其实际操作是在训练期间用学习到的正标量缩放欧氏编码器特征，推理时则在未缩放的欧氏特征上使用普通线性分类器。作者明确指出，该实现不包含 Lorentz 或 Poincaré 表征、测地线预测，也不包含 Sharpness-Aware Minimization 内循环。因此，“曲率学习”这一名称不能替代对实际计算过程的核对。 评估覆盖 PACS、VLCS、Office Home 和 TerraIncognita。作者报告完成 384 次运行：每个数据集包含六种条件、四个留出目标域和四个运行种子；检查点仅依据三个源域验证环境选择。统计推断先在每个留出目标域内平均配对种子的差值，再以目标域作为数据集内的聚类单位，而非将 16 个种子与目标域组合视为独立观察。 作者报告，完整实现相对原生 DomainBed ERM 的等权数据集宏平均点估计低 1.61 个百分点，95% 聚类置信区间为 [-3.17, -0.04]。四个数据集的点估计均偏向 ERM，但四数据集精确符号翻转检验得到 p = .125，Holm 校正后 p = .250，因此作者不声称存在经校正支持的差异。 更直接的域特异性对照是“各源域分别学习标量、去除标量方差惩罚”与“所有源域共享一个学习标量”。作者报告差值为 -0.13 个百分点，95% 置信区间为 [-0.53, 0.27]；其 90% 置信区间落在修订阶段设定的 ±1 个百分点最小实际重要效应界限内，TOST p = .003。等效性结论仅适用于源域验证选择下的整套评估宏平均，不适用于每个数据集、目标域或最终训练步终点。 全文尚未取得，六种条件的完整定义、训练配置及统计实现细节尚未验证。材料未提供 EEG 或 BCI 实验，不能据此判断该方案在神经信号域泛化中的有效性。