DANSE：无监督学习设置下无已知过程模型的数据驱动非线性状态估计

基于摘要分析。本文研究未知过程动力学条件下的贝叶斯状态估计与预测，提出 DANSE，以仅含观测轨迹、不含真实状态轨迹的数据开展无监督学习。其主要贡献是利用 RNN 从历史观测生成状态先验参数，再结合当前线性观测获得闭式状态后验，并提供用于预测的闭式后验。 机制上，DANSE 将未知非线性动力学的学习交给数据驱动 RNN，同时保留基于当前观测的贝叶斯更新。这里“无已知过程模型”指不预先掌握过程动力学，并不意味着完全不依赖观测结构：摘要明确要求状态的线性观测。先验与噪声的具体分布、观测算子是否已知、训练目标以及闭式计算的成立条件，均需正文核对。 作者报告，在模拟线性过程以及 Lorenz attractor、Chen attractor 非线性过程上，DANSE 在不掌握过程模型且不使用状态监督的条件下，相对 KF、EKF、UKF、DMM 和 KalmanNet 取得有竞争力的表现；作者还报告该方法可用于高维状态估计。摘要未提供具体指标、状态维度、训练规模、数据划分及各基线的信息可用条件，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 观测可近似表示为潜在状态的线性混合，DANSE 的“历史观测学习先验＋当前观测更新”机制可能用于潜在动态状态追踪，但这不是已证实的 BCI 效果。可复用的是时序先验学习与后验更新框架；需评估或改造观测算子、噪声模型及跨被试、跨通道适配。低信噪比、非平稳伪迹、潜在状态不可辨识和小数据可能使学习失效。一个可检验的小实验是在已知线性混合与噪声条件的 EEG 风格仿真数据上，仅用观测轨迹训练，固定划分并比较 DANSE 与 KF、EKF、UKF 的状态估计误差，逐步改变信噪比和通道数。已有 EEG 相关工作尚未检索确认。