RegimeUnfold：用于深度隐马尔可夫过程预测的持续状态空间学习

基于摘要分析。该研究面向深度隐马尔可夫过程预测，目标是在预测未来观测的同时，显式识别支配动态变化的潜在状态（regime）。RegimeUnfold 将离线状态发现与在线状态演化结合，以缓解固定状态集合对预设规模的敏感性及部署后的适应限制。 核心机制：离线阶段联合推断离散状态归属并学习预测动态，在不预设状态数量的条件下逐步构建和细化状态空间；在线阶段采用硬状态解码，根据预测不足与结构新颖性证据，在稳定性约束下保留适用状态、更新漂移状态或扩展状态空间。摘要未给出上述证据的计算方式、损失函数、更新规则及稳定性约束的具体实现，这些内容尚未验证。这里的状态空间指潜在动态状态的集合，不能据此将方法等同于特定序列架构。 结果与证据范围：作者报告，在五个合成数据集和四个真实世界数据集上，该框架实现了准确预测、可靠状态推断及对演化预测动态的有效适应。摘要未提供数据集名称、任务规模、划分协议、对照方法或具体指标，因此尚不能量化相对收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 的部分非平稳变化可由可辨识的离散潜在状态及其动态演化描述，该框架可能为跨会话漂移建模提供思路。可考虑复用状态发现与保留、更新、扩展逻辑，但需改造观测表征和预测目标，并核对其对监督信号、数据规模及流式数据顺序的依赖。低信噪比、伪迹、通道变化和小样本可能被误判为结构新颖性，导致状态无效扩张。一个可证伪的小实验是在按时间划分的 EEG 数据流上，对比固定状态集合与持续状态演化，联合评估预测误差、状态数量变化及伪迹引起的误扩张；该假设不等于已证实的 BCI 收益，已有 EEG 相关工作尚未检索确认。