有限训练样本下基于骨架的动作识别的信息性样本选择模型

基于摘要分析。本文研究有限训练样本下的 3D 骨架动作识别，目标是在减少骨架序列标注需求的同时维持识别性能。作者将主动学习选样过程建模为 Markov Decision Process（MDP，马尔可夫决策过程），训练信息性样本选择模型，并引入双曲空间表示与 meta tuning 策略。 原始任务的输入是表达人类动作的骨架时空序列，而非 EEG 或其他脑信号。摘要介绍的既有方法通过编码器—解码器获得潜在表示，再结合聚类信息与多头机制下的基于间隔的策略选择待标注序列。作者指出，具有代表性的序列不一定能为当前识别器提供新信息，因为模型可能已从既有样本中学到相似知识。 本文以 MDP 框架及其训练范式学习选样策略，并将状态—动作对中的相关因素从欧氏空间映射至双曲空间，以增强表示能力；meta tuning 则用于加速实际部署。摘要未给出状态、动作、奖励的具体定义，也未说明双曲映射、训练目标及 meta tuning 的实现，相关机制尚待全文核对。 作者报告在三个 3D 动作识别基准上的实验支持方法有效，但摘要未提供基准名称、标注预算、数据划分、对照结果或具体指标。实验协议、消融及统计信息尚未验证，当前不能据此量化标注节省或识别增益。 平台推测（待验证）：若选样策略能依据当前模型已掌握的信息评估新增标注价值，该机制可能对应 EEG 分类中的标注预算分配问题。可复用的是序贯选样框架；骨架表示、状态构造和奖励需要针对 EEG 改造。低信噪比、伪迹及被试差异可能使策略偏向异常而非有用样本，小数据也可能限制策略训练。可检验的小实验是在固定 EEG 数据划分、相同分类器与标注预算下，对比该框架、随机选样和不确定性选样的学习曲线，并记录选样组成与训练开销。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。