CQM：基于量化世界模型的课程强化学习

基于摘要分析。CQM 针对课程强化学习在高维观测空间中难以生成课程目标、往往依赖人工指定目标空间的问题，提出自动构建语义目标空间并在其中选择课程目标的方法。其主要研究对象是目标到达任务中的探索与课程生成，而非 EEG 解码或 BCI。 核心机制是利用向量量化变分自编码器（VQ-VAE）将连续观测离散化，再通过图恢复离散观测之间的时序关系。在该目标空间中，方法结合不确定性与时间距离选择课程目标，使课程逐步趋向最终目标。相较于人工设定目标空间的思路，其贡献重点在于目标表征的自动构建及课程目标的选择；摘要未说明不确定性估计、图构建、时间距离计算及各模块训练的具体实现。 作者报告，在仅提供原始目标示例、缺乏环境先验信息的条件下，该方法能够实现高效探索；在多种目标到达任务中，包括采用第一人称视觉输入的任务，其数据效率与任务表现优于所比较的先进课程强化学习方法。摘要未提供任务名称、具体基线、指标数值或评估划分，因此无法核对优势幅度及适用范围。 实验协议、消融及统计信息尚未验证，复现还需核对观测与目标示例的定义、量化表征和图结构的更新方式，以及课程策略与强化学习训练的交互流程。材料未提供 EEG/BCI 验证，也未建立从目标到达任务到神经信号建模的具体机制对应；已有 EEG 相关工作尚未检索确认。