中科院提出几何率失真不变性算法实现AI精准跨域判别

近日，中国科学院过程工程研究所科研团队成功提出几何率失真不变性算法，为深度学习跨域泛化难题提供全新解决方案。在实际应用中，受个体差异及设备环境变化影响，数据分布偏移常导致模型性能骤降。针对现有领域泛化方法易引发特征坍缩与对齐失稳的瓶颈，该团队创新性地将信息论中的率失真理论拓展至Grassmann流形，构建出几何率失真不变性框架。该算法深度挖掘特征的低维几何结构，通过引导同类特征方向收敛并精准控制分布体积，有效消除域间偏差且防止信息过度压缩。模型训练过程中展现出色的自适应调控特性，能够根据场景复杂度自动平衡特征维度的扩展与压缩。权威DomainBed基准测试表明，该算法在平均准确率上全面超越现有主流方法，并在卷积神经网络与视觉Transformer等多元架构中保持优异稳健性。此项研究不仅为脑机接口、医学影像等强分布偏移场景提供了可靠的算法支撑，更开辟了跨域判别的新理论路径。相关成果已正式发表于国际顶级会议ICML 2026，并获国家自然科学基金委员会与中国科学院专项支持。