用于状态与访问资源分配的预测压缩

基于摘要分析。研究关注预测头应保留多少局部状态、以及多频繁地读取共享表征，提出将单个多步预测器的未来任务答案压缩为候选保留状态，再校准实际执行风险并选择满足风险要求的最低成本配置，以降低资源配置搜索的准备开销。 核心机制区分两类瓶颈：局部状态可在两次读取之间保存可预测的未来答案，而新增任务信息可能要求更早读取共享表征。理论分析限定于周期性读取固定宽度信息包、且读取间输出是保留状态的仿射函数的情形；作者报告，受控合成干预展示了这两类瓶颈。具体压缩算法、训练损失和风险校准实现尚未验证。 作者报告，在12个新合成世界中，相比训练完整接收器配置网格，编译方法获得20.29×冷启动准备加速；在相同世界的匹配后续实验中，相比按成本排序的提前停止接收器搜索，配对几何平均加速为12.11×，所选归一化状态与读取成本为基线的1.038倍。每项任务使用65,536个校准回合时，全部432项资源分配请求通过独立风险测试，目标均方误差为0.04。这些数字对应摘要给出的合成实验，不能外推为真实神经信号性能。 作者同时报告，充分训练的共享网格可在这些合成任务上选择略低成本的预算，而简单的 sample-and-hold 基线在所测试的冻结视频特征上更强。因此，准备速度优势不等同于最优资源预算或预测效果。数据划分、风险测试的统计判据、消融及成本计量细节尚未验证。 平台推测（待验证）：若 EEG 在线预测存在可压缩的短期可预测结构，该机制可能用于权衡局部缓存与共享编码器读取频率，但需要适配神经信号输入、任务监督及风险校准。低信噪比、突发变化、跨被试或通道变化，以及小样本校准可能削弱状态保持的可靠性。可先在固定被试与通道的连续预测任务中，对照 sample-and-hold 与配置搜索，检验相同误差约束下的读取成本和准备时间；已有 EEG 相关工作尚未检索确认。