IntelligentPooling：面向移动健康的实用 Thompson sampling

基于摘要分析。本文研究移动健康（mHealth）中智能设备反复向用户提供行为干预时，如何学习个性化的序贯干预策略；提出 IntelligentPooling，对 Thompson-Sampling bandit 算法进行扩展，以应对个体反应差异、单个用户数据有限及干预反应随时间变化的问题。 核心机制是利用其他用户的可用数据加速当前用户的学习，同时更新每位用户的个性化程度，而非将所有用户完全合并或完全独立建模。针对非平稳性，方法允许干预响应随用户开始接受干预后的时间而变化。摘要未提供具体概率模型、信息共享规则、后验更新方式及时间变化的建模形式，这些实现细节尚未验证。 作者将上述设计分别对应于个体异质性、小样本学习和非平稳响应，但所给摘要未列出数据集、用户数量、评估协议、对照方法或量化结果，因此无法判断收益大小及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其跨用户共享与个体化平衡机制，可能用于具有明确干预动作和反馈奖励的自适应 BCI 训练或反馈策略选择，而非直接作为 EEG 解码算法。迁移需要定义用户上下文、可执行动作及可靠奖励，并核对跨用户信息能否共享；摘要未说明奖励的获取方式、延迟及数据规模要求。可复用的是 bandit 决策与信息共享思路，需改造的是 EEG 状态表征和反馈接口。低信噪比、跨被试及通道差异可能使共享产生负迁移，小数据也可能不足以估计个体差异；仅以治疗起始时间刻画变化，未必能覆盖会话漂移。一个可检验的小实验是在具有动作与奖励记录、采集策略已知的 BCI 训练日志或受控模拟中，对比完全共享、独立个体学习与 IntelligentPooling，观察在相同数据预算下的奖励和负迁移情况。已有 EEG 相关工作尚未检索确认。