MoMo：用于偏好调制规划的条件化对比表征学习

基于摘要分析。该研究针对时间对比表征规划中单一潜在几何难以区分多种有效行为的问题，提出偏好条件化规划器 MoMo，使同一起点—目标查询能够通过标量用户偏好，在推理时连续调节计划的保守程度，无需重新训练。 核心机制：时间对比表征学习将长时程规划转化为低维线性系统中的推断。MoMo 使用 Feature-Wise Linear Modulation 对表征几何进行条件化，并通过低秩神经调制对潜在预测算子进行条件化。作者指出，该设计保留了表征空间编码的概率密度比，这是基于推断的对比规划所需的性质，同时保持推理效率。具体损失形式、偏好如何参与训练、密度比保持的成立条件及计算开销尚未验证。 结果与对照：作者报告，在六个环境中，MoMo 能随用户偏好平滑调节计划安全性，相较状态扩充基线具有更好的时间一致性与偏好一致性。摘要未提供环境名称、指标定义、数值结果或数据划分；实验协议、消融及统计信息尚未验证，尚不能据此判断效率与风险之间的实际权衡幅度。 平台推测（待验证）：该机制可能更适合研究 BCI 控制端的偏好条件化轨迹规划，而非直接用于 EEG 解码。迁移假设依赖可构建状态转移、起点—目标查询及风险定义的数据；可复用偏好调制机制，但需要改造状态编码和安全约束。EEG 低信噪比、跨被试漂移及小数据可能导致状态估计和风险校准不稳定。一个可检验的小实验是，在固定解码器的 BCI 控制模拟中，对同一起点—目标扫描偏好值，比较 MoMo 与状态扩充基线的任务耗时、风险暴露及偏好一致性，以检验保守程度能否稳定、连续变化。相关 EEG/BCI 工作尚未检索确认。