用于运动预测的等变深度动力学模型

基于摘要分析。该研究面向运动预测，针对深度生成动力学模型通常未显式利用数据内在对称性、变换后输入的表示可能缺乏一致关系的问题，提出 SO(3) 等变深度动力学模型 EqDDM，使嵌入随对称变换按相应规则变化。 核心机制是用等变网络参数化状态空间模型的发射模型与转移模型，将三维旋转对称性纳入观测生成和状态演化过程。这里的等变性不同于输出保持不变：输入发生旋转时，表示或输出应产生对应变换。摘要未说明潜在状态的具体结构、网络实现、训练目标或推理流程，不能据此补写损失形式及架构细节。 作者报告，EqDDM 在多种运动数据上展现出更优的预测性能，但摘要未列明数据集、划分协议、对照基线、评价指标和数值。实验协议、消融及统计信息尚未验证；复现前需核对旋转变换如何定义、等变性如何实现，以及性能提升能否归因于该约束。 平台推测（待验证）：若 EEG 相关任务包含明确的三维运动状态及旋转变换关系，EqDDM 的状态转移与发射建模思路可能用于运动状态解码后的轨迹预测；这不等于 EEG 通道信号本身具有 SO(3) 等变性。可复用的是等变状态空间建模原则，需改造的是 EEG 观测编码及其与运动状态的映射。低信噪比、跨被试差异、通道布局变化和小数据可能破坏假定的变换关系。一个可检验的小实验是在具备同步 EEG 与三维运动轨迹的数据中，固定编码器和数据划分，比较等变与非等变动力学模块在原始及旋转轨迹条件下的预测误差；只有在明确 EEG 观测与旋转操作关系后，才能检验端到端等变性。已有 EEG 相关工作尚未检索确认。