关于受扰梯度流输入到状态稳定性的讨论：以无模型反馈控制学习为动机

基于摘要分析。本文研究无模型最优控制学习中，梯度估计误差如何影响梯度流及最速下降算法的稳定性，核心贡献是以输入到状态稳定性（input-to-state stability，ISS）刻画真实梯度受到扰动后的系统行为，并整理适用于欧氏空间真开子集上动力系统的相关定义与定理。 原问题来自数据驱动控制与强化学习：学习过程直接使用代价函数，而不依赖对系统模型的完美了解。例如，对用于线性二次调节器（linear–quadratic regulator，LQR）的候选线性反馈律，可通过受控物理系统上的实验估计其代价及代价梯度。本文将梯度估计相对于真实梯度的误差视作输入扰动，从而把优化过程的误差敏感性转化为动力系统稳定性问题。 作者报告，文中提供了面向上述开集上系统的自包含 ISS 理论回顾，并将结果应用于噪声梯度系统及相应的最速下降算法。摘要未给出具体稳定性假设、扰动界、收敛保证或连续时间结论向离散算法转化的条件，因此不能据此声称任意噪声下均能收敛，也不能推断其提供了新的状态空间序列模型。具体定理、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若闭环 BCI 控制器通过交互反馈估计控制代价及其梯度，这一扰动建模视角可能用于分析梯度误差对控制器更新稳定性的影响，而非直接改善 EEG 解码。假设可复用的是 ISS 分析框架，需改造的是控制代价、可行参数域及梯度误差模型；低信噪比、跨被试差异和有限交互数据可能带来偏置或时变误差，使原定理条件不成立。一个可检验的小实验是在可控仿真闭环中固定代价函数，对梯度估计注入不同幅度的有界扰动，比较参数轨迹和代价变化是否满足全文定理给出的界。已有 EEG 相关工作尚未检索确认。