通过度量学习增强的最优传输改进分子表征学习

基于摘要分析。该研究面向化学与材料科学中训练数据有限、异质性较强以及训练域外泛化困难的问题，提出基于最优传输的 MROT，用于改善分子回归任务的泛化能力；主要研究对象是分子与材料，而非 EEG 或 BCI。 机制上，摘要描述 MROT 通过新的域距离度量，以及施加于传输计划的后验方差正则化，学习连续标签并缩小化学域之间的差异。其任务覆盖无监督与半监督设置下的化学性质预测、材料吸附选择。度量的具体定义、正则项形式、标签可用范围及训练流程尚未验证。 作者报告，MROT 在所考察的下游任务中显著优于当时的先进模型，但摘要未提供数据集名称、数据划分、基线、指标或数值，因而无法量化增益，也不能判断不同设置下的稳定性。实验协议、消融及统计信息尚未验证；复现需进一步核对域的构造方式、连续标签的使用协议及实现条件。 平台推测（待验证）：若 EEG 连续变量预测存在可比较的跨被试或跨会话域差异，域距离学习与最优传输正则化可能提供可借鉴的机制，但原领域有效不等于 BCI 有效。可复用的候选部分是域间匹配框架，需改造分子表征、距离度量及 EEG 连续目标的监督接口。低信噪比、通道差异和小样本可能导致距离估计不稳，使传输对齐错误地抹去目标相关差异。一个可证伪的小实验是在固定跨被试划分与标签预算下，对比同一 EEG 回归器、加入普通最优传输及加入 MROT 的表现，并单独核对正则化的贡献。该迁移假设尚无本材料中的 EEG 证据，已有 EEG 相关工作尚未检索确认。