CLEAR：用于视觉离线强化学习的无干扰表征学习信息论框架

基于摘要分析。该研究针对视觉离线强化学习中表征混入控制无关干扰、进而影响策略学习的问题，提出 CLEAR（Controllable Latent State Extractor），学习简洁的、以智能体为中心的状态表征及其动力学模型。其主要研究对象是由预先采集的视觉观测与动作组成的离线强化学习数据，而非 EEG 或 BCI。 机制上，作者将含干扰的视觉离线强化学习形式化为带外生变量的部分可观测马尔可夫决策过程（ExoPOMDP），并从信息论角度分析既有表征方法的问题。CLEAR 的目标是使潜在状态与该过程的结构一致，将干扰因素与智能体相关状态分离；具体信息论目标、损失形式、模型结构及训练流程尚未验证。 作者报告，在包含多种干扰的 DeepMind Control Suite 评估中，CLEAR 优于对照基线，且在不同干扰下表现一致；作者还报告定性分析支持其分离干扰因素的能力。摘要未提供具体任务、数据采集与划分协议、基线名称或数值结果，实验协议、消融及统计信息尚未验证。复现需进一步核对离线数据覆盖范围、干扰构造方式及表征分离的评估依据。 平台推测（待验证）：其区分控制相关状态与外生干扰的机制，可作为闭环 EEG 控制表征研究的假设，但依赖含观测、动作及时间顺序的离线交互数据，不能直接套用于仅有分类标签的 EEG 数据。可考虑复用潜在动力学与干扰分离思路，但需改造 EEG 编码器并检验 ExoPOMDP 假设；低信噪比、通道变化、跨被试差异及小数据可能使任务信息与干扰难以区分。一个可证伪的小实验是在固定划分的闭环 EEG 数据上注入独立干扰，对比普通动力学表征与 CLEAR 式约束下的控制表现和干扰敏感性。已有 EEG 相关工作尚未检索确认。