自监督学习技术突破 - 中国科学院软件研究所科研团队提出小批量数据采样策略，可消除不可观测变量语义对表征学习的干扰，提升自监督学习模型的分布外泛化能力 [1] - 分布外泛化能力指模型在"未见过"数据分布上保持与训练数据相当的性能，但此前模型易受无关变量语义干扰而削弱该能力 [1] - 新策略通过因果效应估计和隐变量模型，计算不可观测变量的平衡分数，将相同分数样本划分为同批次以消除虚假关联 [1] 实验验证与性能提升 - 在ImageNet100和ImageNet分类任务中，新策略使Top1和Top5准确率超越自监督方法SOTA水平 [2] - 半监督分类任务中Top1和Top5准确率分别提升超3%和2%，目标检测与实例分割任务平均精度获稳定增益 [2] - 少样本转移学习任务（Omniglot/miniImageNet/CIFARFS）性能提升超5%，所有实验仅调整批次生成机制无需改动模型架构 [2] 学术影响力 - 研究成果被人工智能顶级会议ICML-25（CCF-A类）接收，证实方法论的前沿性 [2]

金融工程 | 专题报告 DFQ-diversify：解决分布外泛化问题的自 监督领域识别与对抗解耦模型 ——因子选股系列之一一五 研究结论 DFQ-Diversify 模型有效解决分布外泛化问题 ⚫ 本文提出全新模型 DFQ-Diversify，通过引入自监督领域识别与对抗训练机制，实现 标签预测任务与领域识别任务的显式解耦。该模型无需人工预设环境变量，能够自 主识别潜在领域信息，进而提取出对外部扰动不敏感、跨领域稳定的预测特征，增 强模型的分布外泛化能力。 模型创新性地引入"领域-标签"解耦框架 ⚫ 模型训练流程包含三个核心模块：update_d、set_dlabel 和 update，通过对抗训练 机制同时完成领域识别与标签预测任务，实现两者的显式解耦。 自监督动态领域划分机制提升灵活性与泛化适应能力 三重对抗训练机制增强特征解耦与迁移稳健性 与 Factorvae-pro 的对比：从静态环境变量到动态领域建模 多市场回测表现优异，泛用性强 ⚫ 模型在中证全指、沪深 300、中证 500 等多个股票池中均取得显著绩效，尤其在大 盘股表现突出。2020-2025 年间，中证全指池中 IC 达 12.22%， ...