📂 其他¶

🧠 NeurIPS2026 · 3 篇论文解读

Building Transformation Layers for Riemannian Neural Networks: 本文把全连接层重新解释为点到超平面的有符号响应，用多切空间与可计算伪距离构造流形全连接层，再通过乘积流形扩展卷积，在十种几何实例上验证了表达灵活性，但性能与计算成本仍依赖具体几何和数据。
D-GAP: Improving Out-of-Domain Robustness via Dataset-Agnostic and Gradient-Guided Augmentation in Amplitude and Pixel Spaces: D-GAP 用任务损失对傅里叶振幅的梯度决定逐频率跨域混合强度，再融合像素混合结果，在四个真实数据集上相对各自最佳通用方法平均提升 5.3 个百分点，但无目标标签不等于训练时不访问目标数据。
Position: Let’s Strengthen Verifiability If We Can’t Enforce Reproducibility: 本文以五个 ML/CV 顶会 2021–2025 年的代码可用性调查为依据，主张在难以强制完整复现的现实下，把实验日志检查和预测文件上的指标重算纳入投稿、评审与出版流程；这是部分一致性核验提案，而非已经证明有效的反作弊系统。