CAS : un algorithme RDI pour une IA plus généralisable

Les modèles d'apprentissage profond offrent d'excellents résultats lorsque les données d'entraînement et de test suivent la même distribution. En revanche, dans des applications réelles comme les interfaces cerveau-ordinateur ou l'imagerie médicale, des variations individuelles, un déplacement des capteurs ou des changements environnementaux provoquent un décalage de distribution. Ce phénomène réduit considérablement la précision des modèles. Pour pallier ce problème, les chercheurs ont développé des algorithmes de généralisation entre domaines, s'appuyant sur l'alignement de distribution ou l'entraînement adversarial. Ces approches peinent toutefois à maintenir une stabilité avec des échantillons limités, entraînant parfois un effondrement des données et une perte de capacité de discrimination. Une équipe de l'Institut des génie des procédés de l'Académie chinoise des sciences a récemment surmonté ces limites en proposant l'algorithme d'invariance géométrique taux-distorsion. En transposant la théorie de la distorsion informationnelle sur un espace géométrique spécialisé, les scientifiques exploitent la structure compacte des caractéristiques apprises par le réseau. Le mécanisme aligne les orientations des caractéristiques appartenant à une même catégorie, quelle que soit leur source, afin de neutraliser les biais entre domaines. Simultanément, il maîtrise le volume de chaque distribution pour empêcher sa réduction excessive, préservant ainsi les distinctions essentielles entre les classes. Couplé à l'entraînement du classifieur, ce cadre réduit les écarts géométriques tout en conservant la précision. L'algorithme fait preuve d'une capacité d'adaptation remarquable. Dans des contextes à classes limitées, il élargit automatiquement les dimensions utiles pour éviter la perte d'information. À l'inverse, face à une grande variété de catégories, il compresse les données superflues pour gagner en densité. Cette flexibilité lui permet de maintenir une discrimination fiable même sur des domaines entièrement inconnus. Lors de tests rigoureux sur la plateforme de référence DomainBed, la méthode a dépassé les performances moyennes des solutions existantes. Elle s'est également révélée stable sur des architectures variées, incluant les réseaux de neurones convolutifs et les modèles Vision Transformer. Ces travaux, soutenus par le Fonds national chinois pour les sciences naturelles et l'Académie des sciences, résolvent un verrou technique majeur lié à la dégradation des modèles face aux changements de distribution. Ils ouvrent de nouvelles perspectives pour le déploiement robuste de l'intelligence artificielle dans des environnements hétérogènes. Les résultats ont été présentés lors de la conférence internationale ICML en 2026.