幾何的レート歪み不変アルゴリズムがAI判別精度を向上

中国科学院プロセス工学研究所の研究チームは、深層学習モデルが実環境で直面するデータ分布偏移（ドメインシフト）問題解決に向け、新アルゴリズム幾何率歪み不変性RDIを開発した。脳機接口や医学画像処理などでは、個体差やセンサードリフトにより訓練とテストの分布がずれるとモデル性能が急落する。従来の分布対合や抗弁手法は有限データ下で特徴分布の収縮や不安定化を招きやすく、実適用に課題があった。本研究では情報論の率歪み理論をグラスマン多様体に拡張し、深層ネットワーク特徴の低次元幾何構造を活用する枠組みを提案した。RDIは異ドメイン間の同一クラス特徴方向を一貫させバイアスを除去すると同時に、各クラス特徴分布の体積を最適制御して過度な崩壊を防ぐ。分類タスクと連動した学習により、未知ドメインにおいても安定した判別力を発揮する。特に、クラス数が少ない環境では有効な特徴次元を自動拡張し、多数クラスでは冗長情報を圧縮する適応的制御機能を備える。DomainBed標準ベンチマークにおける評価では、既存の不変性学習手法を上回る平均精度を記録し、CNNやViTなど多様なアーキテクチャで堅牢性を確認した。本手法は深層学習の跨域一般化問題に新たな幾何学的視点を提供し、医療診断や脳科学分野におけるモデル性能の低下を抑制する基盤技術となる。関連論文はICML 2026で発表され、国家自然科学基金委員会および中国科学院の支援を受けて実現した。