DoReMi：面向可泛化 3D 理解的领域—表征混合框架

基于摘要分析。该研究针对多源点云在密度、噪声分布上的差异及多域融合中的负迁移问题，提出 DoReMi（Domain-Representation Mixture），以 Mixture-of-Experts（MoE）框架协同建模领域专有知识与通用几何表征。原研究对象是 3D 点云理解，而非 EEG 或 BCI。 机制上，DoReMi 包含领域感知专家分支与统一表征分支：Domain-Guided Spatial Routing（DSR）根据上下文动态选择专家，Entropy-Controlled Dynamic Allocation（EDA）调节专家使用，以支持稳定、高效的多域建模；统一表征分支通过多属性自监督学习预训练并保持冻结，用于保留跨域几何与结构先验。其方法重点是结合领域特化与通用表征，而非仅学习其中一类特征。具体路由输入、熵控制目标、预训练属性及分支融合方式尚未验证。 作者报告，在 3D 理解基准评估中，DoReMi 在 ScanNet Val 上达到 80.1% mIoU，在 S3DIS 上达到 77.2% mIoU，并称其表现具有竞争力或优于已有方法。摘要未明确 S3DIS 的划分、训练域与测试域关系及对照基线，因此不能据此确定跨域泛化增益，也不能直接比较两组分数。实验协议、消融及统计信息尚未验证；作者表示代码将发布，当前材料不能确认代码可用性。 平台推测（待验证）：可迁移假设是，以专家分支适配 EEG 的被试或采集域差异，同时用冻结的自监督表征保留共享特征；这不等于点云中的效果能够迁移至 EEG。可复用的是专家路由与冻结表征的协作思路，需改造点云空间路由、预训练属性及通道表示，并核对其对域标识和预训练规模的依赖。低信噪比、小数据及通道布局变化可能导致路由依赖伪相关、专家训练不足或冻结表征失配。一个可证伪的小实验是在固定 Cross-subject 划分下，对照共享编码器、仅专家分支及二者协作方案，同时核对参数量与训练预算，并观察专家使用分布。相关 EEG 工作尚未检索确认。