线性动力系统的多任务模仿学习

基于摘要分析。本文研究线性动力系统中的高样本效率模仿学习，核心贡献是分析跨任务学习共享低维表征后，目标策略的模仿误差如何随源任务和目标任务数据量变化，而非直接研究 EEG 解码或 BCI。 方法分为两个阶段：首先从 H 个源策略中预训练一个共享的 k 维表征，再用该表征参数化目标策略类并进行微调。作者报告，在所研究的线性系统设定下，沿学习所得目标策略生成的轨迹计算的模仿差距，上界为 Õ(k n_x/(H N_shared) + k n_u/N_target)。其中 n_x > k 为状态维度，n_u 为输入维度，N_shared 为表征学习阶段每个策略采集的数据量，N_target 为目标任务数据量。该界将共享表征学习与目标策略学习的样本依赖分开刻画；作者报告，仿真支持这一理论界所提示的变化趋势，摘要未提供具体仿真数值。 该结果的适用范围取决于任务共享结构、系统条件及轨迹分布等理论假设。表征形式、训练目标、数据采集方式、基线、仿真协议及统计信息尚未验证，不能据此断言任意增加源任务均能改善目标任务表现。 平台推测（待验证）：若某类闭环 BCI 控制任务可近似为具有共享低维状态结构的线性动力系统，该框架可能为减少目标任务示范数据提供分析思路。可复用的是“共享表征预训练—目标策略微调”的框架；需要改造的是从高噪声神经观测到控制状态的映射及跨被试、跨会话的共享假设。低信噪比、通道变化、小样本和非线性动力学均可能使该对应失效。一个可证伪的小实验是在固定目标任务示范量与评估轨迹协议下，对比共享表征与从头学习，并加入不相关源任务，检验是否出现收益或负迁移。已有 EEG 相关工作尚未检索确认。