视觉对话中的猜测状态跟踪

基于摘要分析。本文研究 GuessWhat?! 类视觉对话中的 Guesser 视觉定位任务：根据 Questioner 与 Oracle 的多轮问答，在图像中定位 Oracle 所指的目标对象。其贡献是将仅在全部问答结束后进行一次猜测的方式，改为随对话推进更新对象概率分布的猜测状态跟踪。 核心机制：作者将猜测状态定义为图像中各对象上的分布，并据此提出两种训练监督。早期监督在较早的对话轮次向 Guesser 提供监督；增量监督为猜测状态引入单调性约束。摘要未给出状态更新方程、损失函数形式或单调性的具体定义，不能据此判断哪些概率量受到约束，也不能将该方法直接归为特定 State Space Model 架构。 结果与证据：作者报告，在 GuessWhat?! 数据集上，该模型优于此前模型，并声称达到新的最优水平；作者报告猜测成功率为 83.3%，接近摘要所列的人类准确率 84.4%。这两个数值分别对应原文的成功率与准确率，其统计口径是否一致尚未验证。数据划分、候选对象设置、对话轮数、对照基线、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，用逐步更新的候选目标分布表达累计证据，并在中间阶段施加监督；它可能对应序贯 BCI 决策中“何时形成可靠判断”的问题，而非直接提供 EEG 特征提取方法。原方法依赖图像候选对象和多轮问答监督；若用于 EEG，需要改造观测编码器，并将对象分布替换为任务目标分布。低信噪比、跨被试差异及小数据可能使早期监督放大不可靠证据；单调性约束也可能妨碍模型纠正先前误判。可检验的小实验是在同一 EEG 任务及固定划分下，对比仅末阶段监督、增加早期监督、再增加增量监督，检查相同观测时长下的 Accuracy 与概率校准。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。