学习改变世界，继而所学也发生改变：在控制回路中训练与部署神经网络

基于摘要分析。本文研究离线训练的神经网络进入闭环控制后，其动作改变系统状态分布、进而削弱原有学习结果适用性的问题，提出统一的顺序失效分类，并以时间尺度分离的在线适应缓解部署诱发的分布偏移。主要研究对象是复杂系统的反馈控制，而非 EEG 解码或 BCI 算法。 作者将失效过程分为初始的 Closed-Loop Identification Error、部署诱发的 Action Error，以及持续的 Tracking Error。论文通过离散时间敏感性分析，将部署后的局部轨迹发散与离线学习参数及局部损失几何联系起来；这一结论的适用假设、局部保证范围及数学推导尚需全文核对，不能扩展为所有离线神经控制器必然失效。 作者报告，在非线性 Duffing oscillator 的消融实验中，有界持续学习可缓解轨迹发散，而静态部署失败。摘要未提供具体性能数值；训练数据构造、在线更新规则、时间尺度设置、扰动条件、基线配置、消融细节及统计信息尚未验证。复现需取得上述设置，并明确适应过程的稳定性约束。 平台推测（待验证）：若 BCI 输出动作通过反馈改变后续 EEG 分布，本文的闭环分布偏移框架可能有助于区分初始辨识误差与交互诱发误差。可复用的是误差分析思路与有界在线适应原则；需改造的是神经信号观测模型、反馈时延处理和更新约束。摘要未说明方法依赖的监督信号、数据规模或状态可观测性；EEG 的低信噪比、被试差异、通道变化和小样本可能使在线更新放大误差。一个可证伪的小实验是在固定被试内闭环任务与反馈条件下，对比静态解码器和有界在线更新，检验后续信号分布漂移及控制误差是否同步降低。相关 EEG 工作尚未检索确认。