DisKO：从未配对快照学习分布空间中的深度 Koopman 动力学

基于摘要分析。该研究面向只能观测到时间上未配对的分布快照、难以获得连续个体轨迹的复杂系统，提出 DisKO，将分布本身作为动力学状态，在分布空间中开展深度 Koopman 学习。 核心问题是分布空间具有无限维性质，有限快照难以支持紧凑且近似闭合的动力学表示。DisKO 联合学习具有预测能力的分布观测函数、有限维 Koopman 表示，以及返回完整分布的生成映射，试图同时支持紧凑状态演化与分布重建。摘要未提供具体参数化方式、损失函数、训练流程或快照时间信息的使用方式，相关实现尚未验证。 作者报告，在七个不同基准上，DisKO 的外推性能达到最先进水平，且长时程预测的误差累积明显更慢；在具有解析谱的系统上，作者报告能够恢复主导 Koopman 特征值与特征函数。摘要未列出基准名称、数据划分、对照方法、误差指标及具体数值，因此尚不能核对优势幅度或适用范围，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于研究缺少逐样本轨迹配对、但具有时间分布快照的 EEG 非平稳性，而非直接作为已验证的 BCI 解码方法。可复用的是分布观测函数与 Koopman 表示学习思路，需改造输入特征、分布生成映射及通道对齐方式。该假设依赖各快照具有足够样本、可比较的采集条件和可辨识的时间演化；低信噪比、小样本、通道差异及跨被试异质性均可能使分布变化混杂于真实动力学。一个可检验的小实验是在单被试连续 EEG 中按时间窗构造特征分布，仅用早期窗口训练，比较后续窗口的分布预测误差与简单分布外推基线，并检查长时程误差累积。已有 EEG 相关工作尚未检索确认。