有限训练样本下基于骨架的动作识别的信息样本选择模型

基于摘要分析。本文研究有限标注条件下的骨架动作识别，将主动选择待标注骨架序列的问题建模为 Markov Decision Process（MDP），训练信息样本选择模型，以降低对骨架序列标注的依赖。研究对象是人体骨架时空序列，而非 EEG 或 BCI 信号。 机制与创新：摘要介绍，已有方法通过编码器—解码器获得骨架序列的潜在表示，再结合聚类信息与多头机制的间隔选择策略挑选样本。作者指出，具有代表性的序列未必能为当前识别器提供新信息，因为相关知识可能已由此前样本获得。本文据此采用 MDP 框架学习样本选择，并将状态—动作对中的相关因素从欧氏空间投影至双曲空间，以增强表示能力；另引入 meta tuning 策略，旨在加快实际部署。摘要未说明状态、动作、奖励的具体定义，也未给出双曲表示和 meta tuning 的实现细节。 证据与复现：作者报告，该方法在三个 3D 动作识别基准上的实验显示有效，但摘要未提供基准名称、标注预算、数据划分、对照方法或数值结果。实验协议、消融及统计信息尚未验证，尚不能判断收益来自决策学习、双曲表示还是 meta tuning，也不能据此认定其属于 State Space Model 方法。 平台推测（待验证）：可迁移的假设是，让样本选择依赖识别器当前知识及既往标注过程，可能比静态代表性选择更适合有限标注的 EEG 分类。可复用的是主动学习决策框架，需改造序列表示、状态和奖励，并依赖未标注 EEG 样本池及可获取的监督标签。低信噪比可能使策略偏向伪迹，跨被试与通道差异可能削弱策略迁移，小数据也可能使选择器过拟合。一个可证伪的小实验是在固定 EEG 划分、相同初始标注集和标注预算下，与随机选择及不确定性选择比较学习曲线；若无稳定增益，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。