使用稀疏余弦优化策略演化（SCOPE）玩 Atari Space Invaders

基于摘要分析。本文研究 Atari 游戏中高维输入与策略参数搜索空间对演化学习效率的影响，提出 Sparse Cosine Optimized Policy Evolution（SCOPE），通过压缩输入表征降低策略学习的搜索负担。主要研究对象是 Space Invaders 游戏策略，而非 EEG 解码或 BCI。 机制上，SCOPE 将输入状态经 Discrete Cosine Transform（DCT）转换为系数矩阵，再进行截断与稀疏化，以保留原输入中的高能量特征。作者将这一过程称为伪注意力机制；摘要并未描述可学习的注意力权重。随后，方法使用稀疏 DCT 系数到策略动作的双线性仿射映射，并由 CMA-ES 学习。其关键思路是先压缩状态表征，再进行策略参数的演化优化，而非直接在未经修改的输入上搜索。 作者报告，在 Atari Space Invaders 任务中，输入规模由 33,600 降至 15,625，约减少 53%；SCOPE 配合 CMA-ES 的表现优于摘要所列的 OpenAI-ES、HyperNEAT，以及 DQN、A3C。摘要未提供游戏得分、评估回合数、随机种子、训练预算或基线配置，因此尚不能判断优势的幅度、统计稳定性及对其他游戏的适用性。DCT 的作用轴、截断与稀疏化规则、时序信息处理方式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，DCT 稀疏表征可能降低 EEG 小数据解码中输入维度与演化搜索的负担，但前提是任务相关信息能够由所保留的系数表达。可复用的是 DCT 压缩与演化优化框架；需改造的是 EEG 时间轴或通道轴的变换方式、系数选择与解码输出。低信噪比下高能量成分可能主要来自伪迹，跨被试差异、通道排列与短暂 ERP 也可能使压缩损失判别信息。一个小规模检验可在固定被试内划分和训练预算下，对照原始输入、仅 DCT、DCT 截断及稀疏化的解码表现与计算成本；这属于迁移建议，并非原论文实验。已有 EEG 相关工作尚未检索确认。