TRUST：轨迹引导的状态空间时序测试时自适应

基于摘要分析。该研究针对视觉语言模型（VLMs）在文本条件目标检测中随时间变化的分布偏移问题，提出 TRUST（TRajectory-gUided State-space Temporal test-time adaptation）：一种用于视频目标检测、无需反向传播的贝叶斯测试时自适应框架。其贡献是将表征层面的全局缓慢漂移与目标实例层面的时序动态分别建模，而非依赖在线梯度更新。 机制上，全局缓存状态保存视觉原型嵌入与尺度统计，用时间平滑捕捉渐进分布变化；实例级状态通过 Kalman 风格的轨迹跟踪描述目标动态，并沿目标轨迹平滑嵌入。摘要未提供具体状态转移、观测模型、缓存更新规则或不确定性估计方式，不能据此认定其采用标准 Kalman 滤波公式。 作者报告在 SHIFT 数据集上进行评估，该数据集提供序列内部存在连续渐进偏移的视频；摘要没有给出性能指标、数值或对照结果。具体划分、测试时可用信息、实验协议、消融及统计信息尚未验证。作者提供了实现链接，但代码内容、运行依赖及与论文实验的一致性尚未核对。 平台推测（待验证）：若 EEG 测试流中的漂移具有缓慢变化结构，全局原型缓存与无在线梯度的状态更新可能用于低开销测试时自适应；但原方法依赖视频目标轨迹及视觉嵌入，EEG 通常没有直接对应的目标实例轨迹，需重新定义时间窗状态、观测与尺度统计。低信噪比、突发伪迹、通道变化及任务状态切换可能破坏平滑假设，引起缓存污染或过度平滑。一个可证伪的小实验是在固定 EEG 编码器与连续测试序列上，对照不适应、仅全局缓存及加入时序滤波三种条件，预先固定标签访问与更新协议，检验性能及突变后的恢复情况。已有 EEG 相关工作尚未检索确认，以上不构成已验证的 BCI 效果。