基于半监督学习的无模型过程压缩观测数据驱动贝叶斯状态估计

基于摘要分析。本文研究无模型过程的压缩观测贝叶斯状态估计（BSCM）：观测向量维度低于待估计状态向量维度，且状态演化的动力学模型未知。作者提出 SemiDANSE，以大量无标签观测序列结合少量观测—状态配对数据，为欠定状态估计提供半监督约束。 核心问题在于，拟合观测时间序列并不必然能恢复其潜在状态。作者报告，在所测试的 BSCM 场景中，现有无监督方法 DANSE 与 deep Markov model（DMM）未能有效解决状态估计问题；其中 DANSE 虽有良好的观测预测表现，但其无监督学习缺乏适合该逆问题的正则化。SemiDANSE 通过引入少量带状态标签的配对数据提供所需约束，具体模型结构、损失形式及训练细节尚未验证。 作者报告，在基准混沌动力系统及若干不同观测系统上，SemiDANSE 的状态估计表现具有竞争力；对照包括混合方法 KalmanNet，以及确切知道动力学模型的 extended Kalman filter 和 unscented Kalman filter。摘要未给出具体系统名称、标签比例、数据划分、误差指标或数值，因此不能据此断言其优于这些对照；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能够定义高维潜在状态，并取得少量可信的观测—状态配对数据，该半监督约束思路可能用于研究低维观测下的潜在状态恢复。可复用的是观测序列与少量状态标签联合训练的思路，状态定义、观测关系及标签获取方式则需按 EEG 场景改造。其关键风险是神经状态真值难以获得，以及低信噪比、跨被试差异和通道变化可能使约束失效。一个可证伪的小实验是在具有已知潜在状态的模拟 EEG 上固定观测压缩程度与噪声，改变配对标签量，对比 DANSE 和 SemiDANSE 的隐状态恢复误差，而非仅比较观测预测误差。已有 EEG 相关工作尚未检索确认。