用于运动预测的等变深度动力学模型

基于摘要分析。该研究面向运动预测，针对普通深度生成式动力学模型未显式利用数据对称性、变换前后的潜在表示可能缺乏一致关系的问题，提出 SO(3) 等变深度动力学模型 EqDDM，使嵌入表示随三维旋转变换按照相应规则变化。 核心机制是使用等变网络参数化状态空间模型的观测模型（emission）与状态转移模型（transition），将旋转对称性纳入观测生成和动态演化过程。这里强调的是等变性，而非要求旋转后的表示保持不变。摘要未说明潜在状态的具体形式、网络结构、训练目标或推理方法，相关实现细节尚未验证。 作者报告，EqDDM 在多种运动数据上取得优于对照的预测表现；但摘要未提供数据集名称、样本规模、划分协议、对照方法或指标数值，因此不能判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证；复现需进一步核对旋转变换的定义、等变约束的实现，以及观测模型与转移模型各自的贡献。 平台推测（待验证）：若 EEG 任务涉及明确的三维传感器坐标与头部坐标变换，等变状态空间建模可能为处理几何变化提供机制参考。但头部或传感器旋转并不自动对应 EEG 信号的 SO(3) 等变变换。可复用的思路是对观测与转移过程施加一致的结构约束，需改造的是信号表示、坐标映射及变换规则；低信噪比、跨被试解剖差异、通道缺失与小数据可能使对称性假设失效。一个可检验的小实验是在固定数据划分下，对同一 EEG 记录的传感器坐标施加可控旋转，比较等变与非等变模型的表示一致性及任务性能，并区分坐标重表达与真实信号变化。已有 EEG 相关工作尚未检索确认。