InfoGCN++：通过预测未来学习表征，用于在线人体骨架动作识别

基于摘要分析。本文研究在线人体骨架动作识别：针对原有 InfoGCN 需要完整观察动作后再分类的限制，提出 InfoGCN++，利用当前观测及预测的未来运动学习序列表征，以支持不同观测长度下的实时动作分类。研究对象是人体骨架运动序列，并非 EEG 或 BCI 信号。 机制上，作者将未来运动预测表述为基于已观察动作的外推问题，引入 Neural Ordinary Differential Equations（神经常微分方程）建模隐状态的连续演化。其核心思路是不仅依赖已观测片段，还利用对后续运动的预测构建动作表征。摘要未说明骨架编码结构、预测目标、损失函数、训练监督方式及数值求解配置，相关细节尚未验证。 作者报告，在三个骨架动作识别基准的在线识别评估中，InfoGCN++ 的表现达到或超过现有方法；摘要未提供基准名称、数据划分、观测比例、对照方法或具体指标，因此无法核对优势幅度及不同观察阶段的表现。摘要提供了公开代码地址，但代码可运行性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“依据观测历史外推隐状态”的机制可能用于探索 EEG 早期判别，以应对短观测窗内信息不足的问题，但骨架运动的连续动力学不能直接等同于 EEG 动力学。可考虑复用隐状态演化模块，改造信号编码器、预测目标与分类输出；低信噪比、跨被试差异、通道变化和小样本训练都可能使外推偏离真实信号。一个可证伪的小实验是在固定 EEG 数据划分、相同观测窗和相同编码器下，比较加入与不加入外推模块的分类表现及推理延迟，并核对推理仅使用当前及历史观测。已有 EEG 相关工作尚未检索确认。