LWM以随机潜在轨迹增强高光谱分类

基于摘要分析。本文研究高光谱图像分类（HSIC），提出 Stochastic Latent World Modeling（LWM），通过预测并聚合随机潜在状态轨迹，补充静态空间—光谱表征，以支持有限标签条件下的分类。 机制上，LWM 使用专门的 transformer 分支分别对光谱与空间信息进行 token 化和编码，再融合为统一表征；随后将中心、邻域、光谱及全局上下文组织为环境状态。随机潜在转移模块通过高斯参数化与重参数化预测多个后续潜在状态，并以递归细化建模连续状态之间的依赖。rollout planner 自适应聚合潜在轨迹，得到规划表征，再与基础表征结合完成分类。这里的“未来”指潜在空间中的后续状态，摘要未说明其对应真实时间上的未来观测。 作者报告，在五个基准数据集的有限标签设置下，整体分类准确率为 89.21%–99.52%。摘要未提供数据集名称、各数据集标签量、划分方式、具体对照及逐项结果，因此该范围不能用于判断相对基线的提升。训练目标、轨迹长度、随机采样设置、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征具有可利用的通道—频率结构，分支编码与随机潜在轨迹聚合可能为静态表征提供补充；这依赖可构建的结构化输入和足够的监督数据，不能直接沿用高光谱图像的空间—光谱语义。需改造 token 化、邻域定义及环境状态构造；低信噪比可能使随机转移放大噪声，通道差异、跨被试偏移和小数据也可能使轨迹学习不稳定。一个可检验的小实验是：在固定 EEG 编码器、标签预算与跨被试划分下，对比静态表征、确定性潜在转移及随机潜在转移，检查随机轨迹是否带来稳定增益。已有 EEG 相关工作尚未检索确认。