NExG：利用敏感度近似对神经网络控制系统进行具有理论保证的引导式状态空间探索

基于摘要分析。该研究针对以神经网络为反馈控制器的闭环控制系统，提出 NExG，通过近似闭环动力学轨迹的敏感度并结合系统仿真器，引导生成在指定时间到达目标状态邻域的轨迹。这里的状态空间探索属于控制系统分析，不是用于神经信号建模的 State Space Model。 核心机制是利用轨迹敏感度近似提供探索方向，而非仅依赖无引导搜索。作者提出理论框架，说明方法生成的轨迹序列能够到达目标状态的适当邻域；该保证所需的动力学条件、近似误差约束及邻域定义尚未验证。摘要未说明敏感度近似器的具体结构、训练数据来源、损失形式或探索变量。 作者报告，在多种具有不同神经网络反馈控制器配置的系统上，该方法相较既有状态空间探索技术，在质量（可解释性）和性能（收敛速率）方面取得改进；摘要未提供系统名称、对照方法、指标定义或具体数值，实验协议、消融及统计信息尚未验证。作者还将算法用于一类时序逻辑规范的证伪，并报告其具有补充现有证伪算法的潜力；具体规范类别与证伪成功条件需查阅全文。 平台推测（待验证）：若闭环 BCI 包含可仿真的反馈控制过程及明确的目标或安全状态，这类引导式探索可能用于控制器安全测试，而非直接提升 EEG 解码性能。可复用的是敏感度引导与轨迹搜索框架，需改造的是被控对象仿真、神经信号观测及控制器接口；低信噪比、跨被试变化和仿真误差可能使探索方向失效。一个可检验的小实验是在固定的简化闭环 BCI 仿真中，以相同仿真预算比较该方法与无引导搜索到达预设风险状态邻域的成功率，并改变观测噪声检验稳定性。已有 EEG 相关工作尚未检索确认。