用于行人轨迹预测的多流表示学习

该研究针对多行人场景中个体运动与空间交互相互耦合的问题，提出多流表示学习模块，以分路建模和自适应融合学习复杂时空相关性。基于摘要分析，未取得论文全文；研究对象是计算机视觉中的行人轨迹预测，并非神经信号解码或 BCI。 方法受海马体处理和整合时空信息以形成记忆的过程启发，在三条路径中分别学习时间、空间和交叉时空相关特征，再通过门控网络以可学习权重自适应融合。另引入稀疏注意力门，选择有信息量的交互与相关性，并降低模型复杂度。这里的海马体启发属于方法设计动机，不构成对生物神经机制的验证。 作者报告，在 ETH-UCY 和 SDD 两个行人轨迹数据集上达到当时的最先进性能。摘要未提供具体指标、数值、数据划分及对照设置，因此无法判断提升幅度或跨协议可比性；实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现与论文的一致性、依赖环境及复现条件仍需核对。 平台推测（待验证）：该机制可能对应 EEG 中时间动态与通道间关系耦合的建模瓶颈，但依赖多实体时序及其空间关系，不能直接把行人交互等同于电极相关性。可考虑复用分路编码与门控融合思想，将空间关系改为电极布局或功能连接，并重新定义任务监督。低信噪比、跨被试差异、通道配置变化及小数据可能使稀疏门控误删有效信号或过拟合。一个可检验的假设是：在固定 EEG 数据集、相同划分及近似参数预算下，分路加门控能否优于联合时空编码；可分别在被试内与跨被试协议下比较，并以去除稀疏门控作消融。上述不是已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。