Hybrid CtrlFormer：通过基于 Transformer 的蒙特卡洛树搜索学习混合动作控制的自适应搜索空间划分

基于摘要分析。该研究针对同时包含离散动作与连续参数的混合动作控制问题，提出 Hybrid Control Transformer（Hybrid CtrlFormer），通过分层动作空间树与基于 Transformer 的蒙特卡洛树搜索改进探索和利用。其主要研究对象是深度强化学习中的混合动作控制，而非 EEG 解码或 BCI。 核心机制是将离散动作置于树的较高层，将连续参数空间置于较低层，并把各参数空间划分为多个子区域；随后沿树评估这些区域并区分优劣，以缩小探索范围。与为不同动作类型分别建立策略、或将混合动作空间简化为纯离散或纯连续问题的思路相比，该方法着重处理混合空间复杂性带来的探索困难。摘要未说明 Transformer 的具体输入、训练目标、树搜索预算及区域划分准则，这些实现条件尚未验证。 作者报告，该方法在多种离散—连续动作环境中取得了最先进的性能与样本效率；但摘要未列出环境名称、指标、数值、对照基线及交互预算，尚不能据此判断优势幅度或适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 下游控制任务同时涉及离散指令选择与连续控制参数，该动作空间分层和自适应划分机制可能具有复用价值，但它不直接解决低信噪比 EEG 表征学习。迁移假设依赖可交互环境、状态与奖励反馈，并需改造状态输入和动作约束；解码不确定性、跨被试漂移及在线交互数据有限可能使区域评估不稳定。可先在固定 EEG 解码器的仿真混合控制任务中，以相同交互预算比较自适应划分与固定划分，检验任务回报、样本效率和搜索开销，并逐步加入解码噪声。已有 EEG 相关工作尚未检索确认。