在 Hilbert 空间中学习非对称 Laplacian 表征

基于摘要分析。本文研究一般表征学习及强化学习中的非对称 Laplacian 表征，目标是保留环境有向、随机动态中的不对称性。核心思路是不直接学习有序特征基，而是先学习无序子空间中的混合向量，再通过解混近似恢复小模特征值对应的特征函数。 在自伴情形下，既有方法利用有序正交约束与平滑目标学习谱表征；非对称 Laplacian 则可能具有复特征值、非正交的复特征函数，以及彼此不同但满足双正交关系的右特征函数和伴随左特征函数，使原有排序机制难以直接沿用。作者提出以无序子空间为学习目标，避免直接强制有序特征基，并称其表征学习问题的复杂程度与既有对称方法相近；摘要未给出具体损失、解混算法或计算复杂度依据。 作者报告，在多个领域中以余弦相似度比较所学非对称特征函数与 oracle 解，并利用所学特征函数估计命中时间；相较既有基于对称 Laplacian 的通勤时间距离，作者报告其在有向、随机环境中改善了距离学习。摘要未提供领域名称、数据规模、具体数值及统计不确定性，实验协议、消融及统计信息尚未验证，不能据此判断优势大小或稳定性。 平台推测（待验证）：若 EEG 状态转移可构成可靠的有向随机过程，该谱学习机制可能用于保留对称化会丢失的方向信息，但这依赖状态定义、转移估计及足够的采样覆盖，并非已验证的 EEG/BCI 效果。可复用的是子空间学习与解混思路，需改造的是 EEG 状态构建和转移算子估计；低信噪比、跨被试差异及小数据可能导致谱估计不稳。可先在具有已知方向结构的合成状态序列中，比较对称与非对称方法的特征函数恢复及命中时间误差，再评估是否值得进入 EEG 实验。已有 EEG 相关工作尚未检索确认。