中科院过程工程所几何率失真不变性算法入选ICML 2026，深度学习跨域判别难题获突破

中国科学院过程工程研究所 8 月 27 日披露：生物药制备与递送全国重点实验室白硕研究员团队首次将信息论中的率失真理论推广到 Grassmann 流形，提出「几何率失真不变性（Geometric Rate-Distortion Invariance, RDI）」算法。该方法直指深度学习模型在跨域数据场景下判别性能骤降的难题——例如脑机接口、医学影像等真实场景中受试者差异、传感器漂移、设备与环境变更带来的分布偏移。

主流领域泛化方法多聚焦匹配不同域之间的边缘分布或梯度统计量，但样本数受限时容易对齐失稳甚至出现表示坍缩。RDI 利用深度特征在实际分布中的低维几何结构：让不同来源数据中同一类别的特征方向趋于一致以消除域偏差，同时通过控制类别特征分布的「体积」防止过度坍缩、保留类别间的判别差异。RDI 还具备任务自适应调控能力：面对类少场景主动扩展有效维度以防信息坍缩、面对类多场景自动压缩冗余信息以提升紧凑性。

实验结果显示，RDI 在领域内最具权威的 DomainBed 标准测试集上平均准确率显著超越现有主流不变性学习方法，并在 CNN（ResNet）与 ViT（DeiT）等多种架构上保持稳健。该工作凭借理论优雅性与验证一致性获得 ICML 大会领域主席的高度评价，相关成果将于 ICML 2026 上正式发表。

AICOR 点评：跨域判别是 AI 真正走向医院、工厂、社区场景的最大瓶颈——模型在 A 医院训练、B 医院失效，在 A 工厂有效、B 工厂失灵，意味着大量场景只能靠「现场再标数据」勉强续命。RDI 给出的几何视角的价值不在某一个数据集的精度提升，而在于它把「跨域泛化」这一长期被认为主要靠经验的工程问题变成了可理论化、可推演的几何问题。一旦这种基础方法学层面的工具成熟，下游做行业 AI、企业 AI 的玩家将不再被「换场景就重训」的痛点卡住——这正是值得所有 AI 服务商提前跟进的学术风向。