基于状态空间模型的时序测试时自适应

基于摘要分析。本文研究部署后随时间逐渐演变的分布偏移，提出 STAD，以概率状态空间模型学习末端隐藏特征中随时间变化的动态，并在无需标签的条件下推断时变类别原型，作为动态分类头完成测试时自适应。 核心机制是将分类所依赖的类别原型视为随时间演变的状态，而不是固定不变的分类依据。研究重点区别于主要针对合成扰动偏移的测试时自适应方法，转向真实环境中的渐进时序偏移。摘要未说明具体状态转移、观测模型、推断算法、损失函数，以及是否更新特征提取器，这些实现细节尚未验证。 作者报告，在真实世界时序分布偏移实验中，STAD 在小批量和标签分布偏移条件下表现突出。摘要未提供数据集、对照方法、评估指标或具体数值，因此无法判断优势幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有按时间到达的样本、可辨识的类别特征及渐进漂移，时变类别原型可能用于缓解跨会话或持续使用中的特征分布变化。可复用的是状态追踪与动态分类头，需适配 EEG 特征提取、样本时间粒度及类别状态的初始化。低信噪比、小数据、被试差异和通道变化可能使原型估计不稳定，突发漂移也可能不符合渐进动态假设。 一个可检验的小实验是：在具有时间顺序的单一 EEG 分类任务中，固定同一特征提取器，以较早数据训练、较晚数据按顺序进行无标签自适应，对比固定分类头与 STAD 动态分类头，并分别考察小批量及类别比例变化条件下的 Balanced Accuracy。该实验仅是迁移假设，不代表已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。