通过语义对齐构建可解释的深度状态空间模型

基于摘要分析。该研究面向复杂动力系统的建模与控制，试图解决深度状态空间模型（DSSMs）的潜在状态难以理解、检查和调控的问题。作者提出将内部表示分解为专家定义的动态概念状态与残余潜在状态，使状态表示及其动态演化能够与人类语义对齐，同时保留预测能力。 核心机制是由概念状态承载可解释的动力学信息，再由学习得到的残余潜在状态补偿概念未覆盖的预测信息。该表述还支持对模型进行干预，使干预沿学习到的动力学传播并改变后续概念轨迹。摘要未说明概念的具体定义、监督方式、两类状态的耦合机制、损失函数或干预约束；尤其需要核对残余状态是否影响概念语义的稳定性，以及模型内干预与真实系统响应之间的对应关系。 作者分别实现了确定性和随机模型变体，并在四个动力系统上评估。作者报告，在这些系统的自由运行概念预测任务中，模型准确性与不可解释的 DSSMs 相当，同时能够执行干预。摘要未提供系统名称、数据规模、划分方式、预测时域、具体指标或对照模型，因此不能量化优势，也不能据此认定真实系统控制有效。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有可明确标注或估计、且随时间演化的语义概念，该分解机制可能用于研究可解释的神经状态预测；原论文并非 EEG/BCI 验证。可复用的是概念状态与残余状态的建模思路，需改造观测模型、概念定义和监督方案。低信噪比、跨被试及通道差异可能使残余状态承载大部分预测信息，削弱解释性；小数据也可能导致概念动态不稳定。一个可检验的小实验是在固定 EEG 数据划分下，与不作语义分解的 DSSM 对照，分别检验多步预测表现、概念一致性和模型内干预后的轨迹变化，不将后者解释为真实脑状态的因果效应。已有 EEG 相关工作尚未检索确认。