无监督行为压缩：通过状态占用匹配学习低维策略流形

基于摘要分析。本文研究深度强化学习中策略参数空间维度高、功能冗余大所带来的压缩问题，提出 Occupancy-based Policy Compression（OPC），以长期状态占用分布匹配替代即时动作匹配，学习低维策略流形。其主要研究对象是连续控制策略，并非 EEG 表征或 BCI 解码。 作为对照框架，Action-based Policy Compression（APC）通过生成映射 g: Z → Θ，将低维潜变量映射为策略参数，并使用即时动作匹配作为重建目标。作者认为，这种局部代理不足以衡量长时程行为相似性，且误差会随序列决策累积。OPC 的两项核心改动是：利用信息论独特性指标组织策略数据集，以提高策略群体的多样性；构建完全可微的压缩目标，直接最小化原始与重建策略混合占用分布之间的散度。 作者报告，在多个连续控制基准上验证了这些改动的优势，但摘要未提供基准名称、指标、具体数值、数据划分或对照细节。占用分布的估计方式、散度形式、可微计算路径，以及混合分布匹配是否足以约束单个策略的行为保真度，均需查阅全文。实验协议、消融及统计信息尚未验证；摘要也不足以确认压缩后下游学习的样本效率提升幅度。 平台推测（待验证）：若用于闭环 BCI 控制器的策略库压缩，其机制可能对应“局部控制输出相似，但长期到达状态不同”的问题；这不等于改善 EEG 解码。可考虑复用策略参数生成映射与占用匹配思路，但需重新定义用户—设备闭环状态、策略轨迹采集方式和安全约束。低信噪比、跨被试及通道差异可能改变状态估计，小数据则可能使占用分布估计失真。一个可证伪的小实验是在固定状态估计器与相同策略轨迹预算下，对比 OPC 与 APC 的长期轨迹保真度及闭环任务成功率，检验占用匹配是否确有额外收益。相关 EEG/BCI 工作尚未检索确认。