正则化潜在动力学预测是行为基础模型的强基线

基于摘要分析。本文研究行为基础模型（BFMs）中的零样本强化学习（zero-shot RL），考察复杂表征学习目标是否必要，并提出 RLDP：在自监督潜在空间下一状态预测中加入简单正则化，以维持状态特征多样性。 原问题与机制：作者指出，这类 BFM 的近最优策略能力受限于预先学习的状态特征所张成的奖励函数空间，因此特征选择直接影响可适应的任务范围。单独使用潜在空间下一状态预测，可能使不同状态的特征趋于相似，缩小能够表示并求得最优策略的奖励函数范围。RLDP 针对这一退化现象增加正则化；摘要未给出正则项形式、模型结构或训练细节。 结果与证据边界：作者报告，RLDP 在零样本 RL 中可匹敌或超过复杂的先进表征学习方法，并在既有方法出现发散的低环境覆盖场景中仍能成功。摘要未提供环境名称、覆盖率定义、数据规模、对照方法、具体指标或数值，实验协议、消融及统计信息尚未验证，不能据此判断优势的适用范围。 平台推测（待验证）：其可供 EEG 表征学习借鉴的假设是，时序预测目标可能需要显式约束表征多样性，以减少任务相关信息的丢失；这并不意味着 RLDP 已验证 BCI 效果。可复用的是“潜在预测加多样性正则化”的目标思路，需将状态转移建模改造为 EEG 时间窗表征，并在取得全文后核对原方法的数据与监督要求。低信噪比可能使多样性约束保留噪声或被试特征，通道差异与小数据也可能削弱其收益。一个可证伪的小实验是：固定编码器、训练数据与跨被试划分，对比仅潜在下一时间窗预测及加入该正则化的版本，同时评估特征有效秩与下游任务 Balanced Accuracy，检验多样性提升是否伴随任务性能改善。已有 EEG 相关工作尚未检索确认。