谱蒸馏：从非线性动力学到线性状态空间模型

基于摘要分析。本文研究如何从未知非线性动力系统的观测中，学习紧凑的线性状态空间表示，而不直接求解非凸系统辨识问题。核心贡献是先通过凸方法学习隐式谱预测器，再将其蒸馏为显式递归线性动力系统（LDS），并为这一流程提供预测误差保证。 方法首先使用 Observation Spectral Filtering（OSF），其学习目标可与该系统的最佳线性观察器竞争；随后使用 spectral-to-LDS distillation 完成表示转换。作者报告，主定理将蒸馏后 LDS 的平均预测误差分解为指数级小的蒸馏项，以及由最佳观察器的 Luenberger complexity 控制的 OSF 学习项。作者将这一保证称为维度无关：其依赖观察器复杂度，而非表示非线性系统所需的潜在维度。具体定理假设、复杂度定义及指数衰减所对应的变量尚未验证。“首个端到端可证明方法”是作者的限定性主张，并非已独立确认的优先权结论。 作者报告，在 linear LDS benchmarks 和 MuJoCo behavior cloning 实验中，先训练再蒸馏的流程可得到紧凑 LDS 预测器，效果匹配或优于直接训练的基线。摘要未提供具体数据划分、评价指标、模型规模及基线配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 时序存在可由低复杂度线性观察器近似的可预测结构，这一机制可能用于构建紧凑的信号预测模块，但原领域结果不等于 BCI 有效性。可复用部分是谱预测与蒸馏流程；需要核对其对观测结构、监督目标及样本规模的要求，并适配 EEG 通道输入。低信噪比、跨被试分布变化、通道缺失和小数据可能削弱上述近似。一个可检验的小实验是在固定被试内划分与一致预处理下，比较 OSF、蒸馏 LDS 和直接训练 LDS 的留出时序预测误差、模型规模及推理成本；这只检验预测与压缩，不证明 BCI 解码收益。已有 EEG 相关工作尚未检索确认。