梯度–动量耦合：学习进展的参数空间代理量

基于摘要分析。本文研究好奇心驱动探索中如何测量学习进展，提出 Gradient-Momentum Coupling（GMC），以样本梯度与历史梯度动量之间的耦合衡量样本推动参数变化的程度，替代从输出空间预测误差推导学习进展的做法。原论文的主要研究对象是智能体探索，而非 EEG 或 BCI。 机制上，GMC 使用样本梯度与先前梯度动量的归一化绝对乘积。作者的解释是：跨样本持续存在的变化方向会在动量中累积，噪声则相互抵消。摘要未给出归一化细节、梯度聚合方式或动量更新设置，不能据此补写具体公式。其关键区别在于尝试衡量参数更新的持续性，而不把较高预测误差直接视为较高学习价值。 作者报告，在噪声水平不同的受控任务中，GMC 分配了接近均匀的优先级，而预测误差偏向噪声最大的任务；对于可学习任务，GMC 按改善速度而非难度排序。作者还报告，在四个 MiniGrid MultiRoom 任务中，将 Intrinsic Curiosity Module（ICM）内的预测误差替换为 GMC，恢复了 ICM 因不可预测观测而受损的探索表现。摘要未提供具体分数、任务配置、重复次数或统计不确定性，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 训练中的逐样本梯度包含可重复的任务信号，GMC 或可用于检验样本优先级是否被高噪声片段主导。可复用部分是梯度–动量耦合评分，需改造的是用于探索的奖励接口，将其转为训练样本选择或加权机制。该假设依赖可计算的样本梯度及稳定的训练目标；低信噪比、跨被试或通道差异可能使动量累积伪迹或被试特征，小数据下梯度不稳定也可能压低少数有效样本的优先级。一个可证伪的小实验是在固定 EEG 划分与训练预算下，对比 GMC、均匀采样和基于预测误差的采样，逐级增加训练片段噪声，检查噪声样本优先级与留出集任务指标是否改善。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。