运动的组合式少样本学习

基于摘要分析。本文研究机器人新运动技能的少样本学习，提出 DSE（Diffusion Score Equilibrium），通过概率式组合多个基础 diffusion policy 先验，使组合策略更好地拟合少量示范的数据分布，而非仅依赖单个策略。 技术机制的核心是复用已有策略先验并进行概率组合。摘要未提供组合公式、score 的平衡机制、优化目标，以及基础策略的训练与推理流程，因此尚不能确认 DSE 如何根据新技能示范调整各先验的贡献。 作者报告，在涉及不同技能和示范数量的评估中，MMD 距离降低超过 30%；摘要将其效果与单个策略作比较，但具体基线、数据划分、MMD 计算设置及分项结果尚未验证。作者还报告，在真实机器人实验中使用 5 次示范教授了新轨迹；任务成功率、轨迹误差、重复试验及统计不确定性尚未验证。 原论文主要研究对象是机器人运动策略，而非 EEG 解码或 BCI。其方法依赖可组合的基础策略先验及目标技能示范；这些条件与 EEG 信号建模或解码之间的具体对应关系，摘要尚未建立，不宜将机器人结果直接解释为 BCI 少样本性能证据。实验协议、消融及统计信息尚未验证，已有 EEG 相关工作尚未检索确认。