序贯线性 Bandit 中的非平稳表示学习

基于摘要分析。本文研究非平稳环境下的多任务决策：智能体依次处理来自不同环境的线性 Bandit 任务，同一环境中的任务共享低维特征提取器，即 representation，而不同环境的表示有所不同。作者提出在线算法，通过自适应地学习和迁移这些非平稳表示，提高决策效率。 核心机制是利用环境内任务间的共享低维结构，同时适应环境间表示的变化，而非将各任务完全独立处理。作者报告，算法在理论上显著优于独立处理任务的现有方法，并使用合成数据和真实数据实验支持理论分析。摘要未提供环境变化的具体假设、是否已知任务或环境边界、表示更新与迁移规则、理论界形式，以及真实数据名称、评价指标和数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 闭环决策可合理建模为具有动作特征与反馈奖励的序贯线性 Bandit，且同一状态或环境中的任务确实共享低维表示，这一机制可能用于研究非平稳条件下的决策知识复用。该假设依赖可识别的任务结构、足够的交互反馈及近似线性的奖励关系，并不等同于已验证的 EEG 表征或解码效果。可复用的是在线表示学习与跨任务迁移思路；需另行设计 EEG 特征、动作空间、奖励及环境变化定义。低信噪比、通道变化、跨被试差异与小样本可能使共享表示不稳定或产生负迁移。 一个可证伪的小实验是：在具有可观测奖励的 EEG 闭环任务中构造明确的环境切换，在相同交互预算下比较自适应共享表示、固定共享表示和各任务独立学习，检验累计遗憾或累计奖励及切换后的恢复速度。该建议仅检验迁移假设；相关 EEG 工作尚未检索确认，具体复现仍需取得全文核对算法与假设。