SUSD：通过状态因子分解实现结构化无监督技能发现

基于摘要分析。本文研究无外部奖励条件下的无监督技能发现（USD），提出 SUSD：将环境状态空间分解为独立因素，为不同因素分配不同的技能变量，并借助动态模型调整探索重点，以学习覆盖更多可控因素的技能。研究对象是智能体在环境中的行为技能学习，而非 EEG 解码或 BCI 控制。 机制方面，作者指出，最大化技能潜变量与状态之间互信息的方法受其不变性影响，容易偏向简单、静态技能；Distance-Maximizing Skill Discovery（DSD）利用状态空间距离鼓励动态行为，但仍可能无法充分覆盖环境中的所有可控因素或实体。SUSD 利用对象或可控实体等组成结构实施状态因子分解，并跟踪各因素的学习进展，在部分因素逐渐掌握后，将探索重点转向探索不足的维度。此处 MI 指互信息，不是运动想象。 作者报告，在三个环境、因素数量为 1 至 10 的实验中，SUSD 能无监督地发现多样且复杂的技能，并在因子化与非因子化环境中优于既有无监督技能发现方法。摘要未提供环境名称、指标、具体基线、数值及统计不确定性，因此尚不能核对优势幅度。状态因子如何获得、非因子化环境如何处理、动态模型的训练方式，以及实验协议、消融及统计信息尚未验证。 该框架依赖环境状态可分解为有意义的可控因素，但摘要没有提供这些因素与神经信号之间的具体对应机制，故不据此提出 EEG/BCI 迁移效果或复现实验建议。相关 EEG 工作尚未检索确认。