PreLAR：基于可学习动作表征的世界模型预训练

基于摘要分析。PreLAR 研究基于模型的强化学习中的世界模型预训练：从无动作标注视频学习环境动态，同时缩小无动作条件预训练与动作条件下游训练之间的差异。其主要研究对象是视觉控制，并非 EEG 解码或 BCI。 方法上，PreLAR 将相邻两个时间步的观测编码为隐式动作表征，使世界模型在预训练阶段即可进行动作条件建模；通过 action-state consistency loss 对该表征进行自监督优化，旨在使其更接近真实动作。微调时，模型将真实动作编码为动作表征，用于下游任务的整体世界模型训练。与摘要所述 APV 等无动作条件视频预测预训练方法相比，核心区别是将可学习动作条件引入预训练，而不只是学习观测序列的预测。损失的具体形式及动作表征的对齐方式尚未验证。 作者报告，在 Meta-world 仿真环境的多种视觉控制任务中，PreLAR 提高了世界模型学习的样本效率。摘要未提供具体任务列表、交互预算、对照配置、数值指标或统计信息，因此尚不能判断改善幅度及适用边界。实验协议、消融及统计信息尚未验证；摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：若用于具有连续观测、明确控制动作及环境反馈的闭环 BCI，可检验其隐式动作预训练机制能否减少下游交互需求；这不等同于其已具备 EEG 解码能力。可复用的是动作条件动态建模思路，需改造的是 EEG 观测编码器及动作与反馈的时间对齐。相邻 EEG 的变化可能主要来自噪声、伪迹或被试与会话差异，而非控制动作，小数据也可能导致隐式动作表征不稳定。一个可证伪的小实验是在固定被试内划分、相同预训练数据与微调交互预算下，对比隐式动作条件预训练和无动作条件预训练，评估闭环任务表现随交互量的变化。已有 EEG 相关工作尚未检索确认。