Plan2Vec：通过潜在规划进行无监督表征学习

基于摘要分析。Plan2Vec 研究如何从离策略观测序列中学习可用于规划的状态表征，提出一种基于模型、通过规划进行无监督表征学习的方法。其主要研究对象是控制与图像观测中的状态空间，而非 EEG 或 BCI。 方法强调不依赖专家轨迹或动作信息作为表征学习的依据。作者报告，Plan2Vec 学到的表征能够编码长程结构，并将部分规划成本摊销到表征学习阶段；在控制应用中，测试时规划复杂度随规划深度线性增长，而不必穷举整个状态空间。该复杂度结论的具体算法条件、模型构造、训练目标及推导细节尚未验证。 作者报告，在一个模拟图像数据集和两个真实世界图像数据集上，Plan2Vec 能够学习携带长程结构的表征并加速规划。摘要未提供数据集名称、划分、对照方法或定量结果，实验协议、消融及统计信息尚未验证，不能据此判断其相对其他方法的优势幅度或复现成本。 平台推测（待验证）：若 EEG 观测序列能够反映可重复的状态转移结构，利用规划约束长程表征可能有助于缓解仅靠局部时序相似性难以刻画状态关系的问题。可借鉴的是以规划组织表征学习、摊销后续规划成本的思路；EEG 输入编码、状态距离与转移关系的构造则需重新设计。低信噪比、跨被试差异、通道变化及小数据可能使观测相似性偏离真实状态关系，原图像任务结果不等于 BCI 有效性。一个可证伪的小实验是：在具有重复任务阶段的单被试 EEG 序列上，固定编码器容量和训练数据划分，比较引入规划约束与仅使用局部时序约束的表征对留出序列长程状态关系的预测能力。相关 EEG 工作尚未检索确认。