无监督行为压缩：通过状态占用匹配学习低维策略流形

该研究针对深度强化学习策略参数空间维度高、功能冗余大及采样效率不足的问题，提出 Occupancy-based Policy Compression（OPC），以长时域状态占用分布匹配学习低维策略流形。基于摘要分析，未取得论文全文。 原有 Action-based Policy Compression（APC）通过生成映射 g 将低维潜在空间映射到策略参数空间，并以即时动作匹配作为重建依据。作者认为，这种局部代理目标难以准确刻画行为相似性，其误差可能随序列决策累积。OPC 保留策略参数压缩框架，但将匹配对象转向长时域状态空间覆盖。 方法包含两项主要改动：一是采用信息论意义上的独特性度量指导策略数据集生成，以形成行为多样的策略群体；二是构建完全可微的压缩目标，直接最小化原始与重建的混合状态占用分布之间的散度。其意图是让潜在空间按策略的功能相似性组织，而非仅按即时动作相似性组织。具体散度形式、占用分布估计、策略混合方式及可微计算路径尚未验证。 作者报告在多个连续控制基准上验证了所提改动的优势，但摘要未提供基准名称、数据生成规模、评估协议、对照数值或统计信息，因此尚不能量化压缩后的表达能力保留程度，也不能确认采样效率收益的大小。复现时需核对策略数据采集成本、APC 对照设置，以及策略多样性筛选和占用匹配目标的独立贡献；实验协议、消融及统计信息尚未验证。 论文的主要对象是连续控制中的策略压缩，并非 EEG 表征或 BCI 解码。摘要未建立其与神经信号任务的具体机制对应，不能据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。