MC-RFM：基于混合曲率黎曼流匹配的少样本几何感知适配 MC-RFM: Geometry-Aware Few-Shot Adaptation via Mixed-Curvature Riemannian Flow Matching

步骤一：给定冻结特征 $h = f_\psi(x)$，用一个轻量瓶颈投影分成两支 $u_h^{raw} = W_h h + b_h$、$u_e^{raw} = W_e h + b_e$，双曲支做归一化与边界保护后映射到 Poincaré 球 $z_h = \exp_0^c(\alpha_h \bar u_h)$，欧氏支直接 $z_e = \alpha_e \mathrm{LN}(u_e^{raw})$，得到 latent 状态 $z = (z_h, z_e) \in \mathcal{M}$。步骤二：对 support set 同样过 projector，计算每类双曲与欧氏 prototype，做 shrinkage $\tilde\mu_{h,k} = (1-\tau)\mu_{h,k} + \tau \bar\mu_h$，得到乘积 prototype $p_k = (\exp_0^c(\tilde\mu_{h,k}), \tilde\mu_{e,k})$。步骤三：用 task context encoder 把所有 prototype 编码为 $c_\mathcal{S} = E_\eta(\{p_k\}_{k=1}^K)$，包含分支 norm、prototype 间距、类别数等。步骤四：定义乘积路径 $z_t = (\gamma_{\mathbb{D}_c}(z_{h,0}, z_{h,1}; t), (1-t)z_{e,0} + t z_{e,1})$，目标速度 $u^\star_h(t) = (\log_0^c z_{h,1} - \log_0^c z_{h,t})/(1-t)$，$u^\star_e(t) = (z_{e,1} - z_{e,t})/(1-t)$。步骤五：向量场网络 $v_\theta$ 接收 $[\log_0^c z_{h,t}; z_{e,t}; \phi(t); c_\mathcal{S}]$ 预测分支速度 $v_{\theta,h}, v_{\theta,e}$，flow matching 损失为 $\mathcal{L}_{FM} = \mathbb{E}[w_h(t) m_h \|v_{\theta,h} - u^\star_h\|^2 + \lambda_e m_e \|v_{\theta,e} - u^\star_e\|^2]$，其中 $m_h = 2g, m_e = 2(1-g)$ 来自可学习 gate。步骤六：训练完做 ODE 积分得到 $z_T$，由混合 prototype-linear 分类器 $\ell(z) = \beta(z,c_\mathcal{S})\ell^{proto}(z) + (1-\beta)\ell^{lin}(z)$ 输出 logits，总损失 $\mathcal{L} = \mathcal{L}_{FM} + \lambda_{cls}\mathcal{L}_{CE}$。步骤七：推理时重新用 support set 算 prototype 与 $c_\mathcal{S}$，query 用 NFE=3 的 Euler 求解器积分后分类。

技术新颖性体现在三个层面：第一，把'流匹配'从数据空间的生成任务迁移到'frozen feature → class prototype'的特征空间适配，这是首个把 Riemannian flow matching 用在 few-shot adaptation 上的工作（区别于 [19,40] 等仍停留在 Euclidean 的 ODE-based feature refinement）；第二，提出 dual-level 自适应门控：branch gate $g$ 控制 flow matching 损失项与分类器分支，$\beta$ 控制 prototype head 与 linear head 的混合，二者都以 $(z, c_\mathcal{S})$ 为条件，可逐样本切换；第三，给出 Proposition 1 的 interior-stability 保证（每个 ODE 步后用 $\Pi_\varepsilon$ 投影到闭球内），把'双曲边界爆炸'这种常见数值风险用归纳法证掉，Proposition 2 进一步说明 origin-chart 内的 FM 损失仍保持 standard regression consistency。

独立分析后我认为有四个可改进点：(1) 超参敏感性——$d_h/d_e$、曲率 $c$、shrinkage 系数 $\tau$、warmup $w_h(t)$ 都是手工设定的，Figure 4 显示 $d_h/d_e = 192/64$ 一致掉点，改进方向是引入可学习维度分配（如 AutoML 风格路由）或基于任务统计数据自适应；(2) branch gate 粒度太粗——目前 $g$ 只在 loss 加权和分类器混合两个层面起作用，没有路由到不同 ODE 子结构，改进方向是设计 multi-expert ODE 架构，让 gate 真正切换不同积分路径；(3) prototype noise 在 1-shot 没解决——作者承认原型在 1-shot 时噪声大，但仅靠 shrinkage 不够，改进方向可以引入 prototype 的不确定性估计（如贝叶斯化）或用 data-dependent 的局部 prototype 而非全局均值；(4) 缺乏跨任务迁移——adapter 是每个 task 单独训练的，没有 meta-learning 阶段，shot 数越低越吃亏，改进方向是引入 episode-level meta-training 让 adapter 学会'如何在 N-shot 下生成稳定的 prototype'。

作者在文中给出几个方向：(a) 把 mixed-curvature transport 推广到 dense prediction（检测、分割）而不只是分类；(b) 探索与 hyperbolic/Euclidean retrieval 系统的结合；(c) 研究 gate 与 ODE 结构的更深耦合。基于此我可以再延伸：(i) 把 MC-RFM 与 Adapter/LoRA 等 PEFT 范式正交结合——适配器更新 backbone 残差，RFM 在适配器输出上再做几何传输，可能在 ConvNeXt 等卷积骨干上把 45% 正贡献率拉到 70% 以上；(ii) 把 flow matching 路径换成更优的概率路径（如 Riemannian optimal transport 的 displacement interpolation），缩短 geodesic 长度的同时保留层级语义；(iii) 探索文本/多模态 backbone（CLIP、BLIP）上的 MC-RFM，因为这些 backbone 的特征天然更接近双曲结构；(iv) 引入 ODE neural process 框架，让 task context $c_\mathcal{S}$ 通过 latent variable 形式采样以应对小 support set 的高方差。

复现性总体良好。论文明确给出实验配置：单个 NVIDIA RTX 6000 Ada (49GB) + 两张 RTX 5000 (32GB)，Intel Xeon w5-3435X，3 个 seed {42,43,44}，固定 support 索引、deterministic PyTorch；AdamW, lr=5e-4, weight_decay=1e-4, batch=64, 5 warm-up epoch + cosine decay, grad clip 1.0, Euler 求解器 NFE=3, 50 epoch；backbones 全部冻结，特征缓存到磁盘。代码已开源（https://github.com/salimkhazem/MC-RFM）。复现难度中等偏低：单卡 49GB 显存足够，但因为涉及 Poincaré ball 投影、Flow Matching ODE、prototype shrinkage 等多个组件，自行实现容易踩'边界爆炸'坑；建议优先用作者开源代码再用本文超参；Appendix A 还提供训练和推理细节。唯一不透明之处是 task context encoder 内部 attention pooling 的具体 token 数与 head 数，需要从代码核对。