受控评估：HyperDG标量缩放未优于ERM

一篇被 TMLR 接收的论文对名为 HyperDG 的方法做了受控评估，结论是它并未优于 DomainBed 的 ERM 基线。作者 Sunny Gupta 和 Amit Sethi 指出，该代码虽名为 HyperDG，实际只是在训练时用可学习的正标量缩放欧氏编码器特征，推理时改用未缩放的欧氏特征加普通线性分类器，并未实现 Lorentz/Poincaré 表示或 SAM 内循环。 在 PACS 等四个数据集上，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]）；四个数据集的点估计都偏向 ERM，但四数据集符号翻转检验 p = .125、Holm 校正后 p = .250，作者据此称没有校正后的差异证据。其 90% 置信区间落在修订阶段设定的 ±1 个百分点最小实际关注效应内（TOST p = .003），作者称这只支持源选数据集宏观层面的等效性，不适用于每个数据集、目标或最终步端点。 作者称该研究给出的是针对这一标量训练方案的有界负面结果，并未测试或否定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。