用于学习状态空间搜索算法引导函数的课程生成

基于摘要分析。本文研究如何为状态空间搜索算法中的参数化引导函数生成训练课程，提出 Teacher-Student Curriculum（TSC），通过动态生成适当难度的问题实例，减少训练期间对当前能力无法求解实例的无效搜索。研究对象是搜索算法的训练与实例生成，不是神经信号建模，也不是通常用于序列建模的 State Space Models。 既有方法利用当前引导函数求解问题实例，再用求解所得数据继续训练；随着引导函数改善，可求解的实例难度逐步增加。这类方法依赖预先提供难度多样的实例集合，但若不能区分当前可解与不可解实例，就可能在反复失败的搜索上耗费时间。TSC 将演化策略作为教师，尝试生成“适当难度”的实例；学生则是使用当前引导函数的搜索算法，负责尝试求解教师生成的实例。摘要未说明难度的操作性定义、教师适应度、引导函数形式或训练目标，这些机制细节尚未验证。 作者报告，在三个代表性基准领域与三种引导搜索算法的实验中，TSC 相较 Bootstrap Learning，在求解测试集全部实例所需时间这一指标上表现更好。摘要未提供领域与算法名称、测试集规模、时间差值，以及计时是否包含教师生成和训练开销；实验协议、消融及统计信息尚未验证。该结果不能直接解释为预测 Accuracy 提升或 EEG/BCI 效果。 该机制依赖可生成的问题实例、搜索求解反馈及能够随训练更新的引导函数。材料未提供与 EEG 数据结构、监督信号或具体 BCI 任务的对应关系，因此不据此提出 BCI 迁移方案；已有 EEG 相关工作尚未检索确认。复现时应核对实例生成约束、“适当难度”的判据、搜索预算、训练与测试实例划分，以及与 Bootstrap Learning 的总计算成本比较。