面向增量自主探索的分层状态发现

基于摘要分析。本文研究自主探索（AX）：发现一组 ε-最优策略，以到达增量 L-可控状态集合。核心贡献是通过迭代应用状态扩张算子，对该集合进行分层分解，并据此提出 Layered Autonomous Exploration（LAE）算法；这里的 state 指探索问题中的环境状态，而非神经信号状态空间模型。 作者报告，LAE 的样本复杂度为 Õ(L·S→_{L(1+ε)}·Γ_{L(1+ε)}·A·ln¹²(S→_{L(1+ε)})/ε²)，其中 S→_{L(1+ε)} 为增量 L(1+ε)-可控状态数，A 为动作数，Γ_{L(1+ε)} 为这些状态上的转移分支因子。针对上述 AX 问题，作者报告其相较 Tarbouriech 等人（2020a）的算法改善了 L² 因子，并称这是首个适用于可数无限状态空间的 AX 算法；这些是理论复杂度结论，不是实验性能提升。 在特定可辨识性假设下，作者进一步报告复杂度可达 Õ(L·S→_L·A·ln¹²(S→_L)/ε²)，与 Cai 等人（2022）的下界在对数因子之外匹配，从而达到相应设定下的极小极大最优性。可辨识性假设的具体内容、状态扩张算子的定义、交互与重置条件，以及证明适用范围，均需查阅全文核对；实验协议、消融及统计信息尚未验证。 论文的主要对象是自主探索的理论算法，而非 EEG 解码或 BCI 控制。摘要未建立其状态可控性假设与实际神经接口任务的对应关系，因此不据此提出已成立的 BCI 迁移结论；相关 EEG 工作尚未检索确认。