# 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:
1.  **Input:** Đặc trưng Ảnh (App) và đặc trưng Hình học (Geo).
2.  **Gate:** `gate = sigmoid(Linear(App + Geo))`.
3.  **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)
1.  Tạo file demo `src/train_gated_fusion_demo.py`.
2.  Triển khai lớp `GatedFusion`.
3.  Cập nhật hàm `GazeDistillationLoss` với cơ chế Smooth Weighting.
4.  Chạy thử nghiệm cho `p08` và `p09` để so sánh trực tiếp với Hybrid V3.