LEAN & MEAN PLAN: DYNAMIC GATED FUSION & SMOOTH FOCAL LOSS

1. Triết lý (Philosophy)

Thay vì thêm các lớp xử lý ảnh phức tạp, chúng ta tập trung vào việc tối ưu hóa cách model kết hợp thông tin (Fusion) và cách trọng số hóa lỗi (Loss Weighting). Mục tiêu là cô lập vấn đề gốc rễ khiến MAE của p08 bị kẹt.

2. Thay đổi cốt lõi (Core Changes)

A. Dynamic Gated Fusion (Thay thế Concat/Shuffle)

Cơ chế này cho phép model tự học cách điều tiết dòng thông tin:

Input: Đặc trưng Ảnh (App) và đặc trưng Hình học (Geo).
Gate: gate = sigmoid(Linear(App + Geo)).
Output: fused = gate * App + (1 - gate) * Geo.

Mục tiêu: Ép model phải sử dụng đặc trưng Ảnh (mí mắt, con ngươi) khi thông tin Hình học (landmarks) không đủ độ tin cậy hoặc bị anatomical bias (như p08).

B. Smooth Focal Weighting (Thay thế Step Focal)

Thay thế hàm bước torch.where bằng hàm Sigmoid liên tục để ổn định Gradient:

Công thức: weight = 1.0 + gamma * sigmoid(error - tau).
Lợi ích: Tránh hiện tượng "giật" gradient khi lỗi dao động quanh ngưỡng 4.2°, giúp quá trình hội tụ mượt mà và sâu hơn.

3. Cấu hình Thử nghiệm (Experiment Setup)

Model: LIPEV2StudentGated (Cấu trúc tối giản, quay lại dùng GAP duy nhất để cô lập hiệu quả của Gate).
Participants: p08, p09.
Learning Rate: 5e-5.
Epochs: 75.
CPU Optimization: num_workers=8.

4. Kịch bản thực thi (Execution Roadmap)

Tạo file demo src/train_gated_fusion_demo.py.
Triển khai lớp GatedFusion.
Cập nhật hàm GazeDistillationLoss với cơ chế Smooth Weighting.
Chạy thử nghiệm cho p08 và p09 để so sánh trực tiếp với Hybrid V3.