基于状态空间模型的时序测试时自适应

基于摘要分析。本文研究部署模型面对随时间逐渐变化的训练—测试分布偏移时，如何在不使用测试标签的条件下持续适应。作者提出 STAD，以贝叶斯滤波学习最后一组隐藏特征中的时变动态，并推断随时间演化的类别原型，将其作为动态分类头。 核心机制是将适应过程建模为时序状态推断，而不是仅把测试样本视为彼此独立的适应输入。研究重点区别于主要针对合成扰动偏移的测试时自适应评估，转向真实场景中的渐进式时间漂移。摘要未说明状态变量的具体参数化、状态转移与观测模型、更新目标，以及是否同时调整特征提取器，这些实现细节尚未验证。 作者报告，在真实世界时间分布偏移实验中，STAD 在小批量输入和标签分布偏移条件下表现出优势。摘要未提供数据集、批量大小、基线、指标或具体数值，因而无法判断优势幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其时序滤波与动态类别原型机制可能对应 EEG 连续部署中缓慢变化的特征分布，但这是迁移假设，而非论文已验证的 BCI 结果。可复用部分是原型状态估计与动态分类头，需改造部分包括 EEG 特征表示、时间尺度及状态噪声建模。该假设依赖按时间排序的特征流，以及足以支持无标签类别状态估计的信息；低信噪比、类别可分性不足、被试或通道突变、小样本及类别不平衡都可能导致错误原型持续累积。 一个可检验的小实验是固定同一 EEG 编码器，在保留真实时间顺序的测试流上，对比静态分类头与 STAD 式原型更新，并以打乱时间顺序作为对照，检验收益是否来自时序结构；需明确被试内或跨会话协议，且测试标签只用于评估。已有 EEG 相关工作尚未检索确认，实际复现仍需取得全文及实现细节。