KI-Algorithmus löst Domänenverschiebungsproblem präzise

Forscher des Instituts für Verfahrenstechnik der Chinesischen Akademie der Wissenschaften haben einen neuartigen Algorithmus vorgestellt, der das weitverbreitete Problem der Datenverteilungsverschiebung bei tiefen neuronalen Netzen adressiert. Während Modelle bei konsistenter Trainings- und Testdatenverteilung hohe Genauigkeit erreichen, leiden sie in Praxisanwendungen wie Gehirn-Computer-Schnittstellen oder medizinischer Bildgebung erheblich unter individuellen Unterschieden, Sensorabdrift oder wechselnden Erfassungsbedingungen. Um diese Performanceeinbrüche zu beheben, übertrugen die Wissenschaftler die informationstheoretische Raten-Verzerrungstheorie auf Grassmann-Mannigfaltigkeiten und entwickelten darauf aufbauend den Algorithmus zur geometrischen Raten-Verzerrungs-Invarianz, abgekürzt RDI. Der RDI-Ansatz nutzt die inhärente niedrigdimensionale Struktur tiefer Merkmale. Durch die geometrische Ausrichtung der Merkmalsrichtungen derselben Klasse über verschiedene Datenquellen hinweg werden domänenspezifische Verzerrungen systematisch eliminiert. Gleichzeitig reguliert das Verfahren das Verteilungsvolumen jeder Klasse, um ein ungewolltes Kollabieren der Merkmalsräume zu verhindern und die Unterscheidbarkeit zwischen Klassen zu wahren. In Kombination mit dem Klassifizierungstraining passt sich das Modell dynamisch an: Bei wenigen Klassen erweitert es aktiv den wirksamen Merkmalsraum, um Informationsverlust zu vermeiden, und komprimiert bei komplexen Szenarien mit vielen Klassen redundante Daten, um die Robustheit zu steigern. Evaluierungen auf dem anerkannten DomainBed-Benchmark zeigten, dass RDI die durchschnittliche Genauigkeit bestehender Invarianzlernverfahren signifikant übertrifft. Die Leistung bleibt stabil, unabhängig davon, ob Convolutional Neural Networks oder Vision Transformer-Architekturen zum Einsatz kommen. Diese Adaptivität ermöglicht eine zuverlässige Klassifikation auch bei vollständig unbekannten Ziel-Domänen, wo herkömmliche Ansätze typischerweise versagen. Die Forschung adressiert eine zentrale Schwachstelle moderner KI-Systeme und liefert sowohl eine neue theoretische Perspektive als auch eine praxistaugliche Lösung für die domänenübergreifende Generalisierung. Die Ergebnisse unterstreichen das Potenzial geometrischer Informationstheorie für robuste KI-Anwendungen in sensiblen Bereichen wie der neurotechnologischen Diagnostik und personalisierten Medizin. Die Studie wurde im Jahr 2026 auf der International Conference on Machine Learning publiziert. Die Arbeit wurde durch den National Natural Science Foundation of China und die Chinesische Akademie der Wissenschaften gefördert.