HyperDG 标量特征缩放域泛化评估

2026年10月15日，一篇发表于 arXiv 人工智能板块的论文对名为 HyperDG 的实现做了受控评估。该研究指出，代码虽称 HyperDG，但其做法是在训练时用可学习的正标量缩放欧氏编码器特征，推理时改用普通线性分类器处理未缩放特征，并未实现 Lorentz/Poincaré 表示或 SAM 内循环。评估结果显示，完整实现的等数据集宏观点估计比原生 DomainBed ERM 低 1.61 个百分点（95% 聚类置信区间 [-3.17, -0.04]）。作者据此表示没有调整后的差异证据，并说明等价性结论仅支持来源选定的套件宏观指标，不适用于每个数据集、目标或最终步端点；该研究不测试也不反驳真正的双曲表示学习。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。