跳到正文

算法、任务与模态

Uncertainty 最新动态

Uncertainty 研究索引；按可核对的标签归档，不以热度评价质量。

204 条精选近 30 天 56 条共收录 244 条

更新

精选归档 · 第 11 页

1月1日周三第 201–204 条
  1. OpenReview · State space models79

    随机混杂系统的混杂状态估计

    基于摘要分析。本文研究一般连续时间随机混杂系统（Stochastic Hybrid System，SHS）的状态估计：在离散动态与连续动态相互作用且存在不确定性的条件下，利用连续时间观测过程同时估计离散状态和连续状态。主要贡献是推导条件滤波方程、提出有限差分数值求解方法，并建立离散近似下的估计收敛关系。 核心机制：作者将混杂状态估计问题数学化，以随机偏微分方程描述给定观测历史时状态估计的演化。在离散化的混杂状态空间上构造 Markov Chain（MC），近似 SHS 的无穷小生成算子，从而将原问题转化为 MC 状态估计。作者报告证明了：当所构造的 MC 收敛到 SHS 时，MC 的状态估计结果收敛到滤波方程的解。具体模型假设、边界条件、离散化要求及收敛形式尚未验证。 验证范围：摘要仅说明使用飞机跟踪示例展示算法性能，未提供误差指标、对照方法或计算开销，不能据此判断其相对优势。实验协议、消融及统计信息尚未验证；复现还需核对系统与观测模型、网格设置和数值稳定性条件。 平台推测（待验证）：若 EEG 任务能够合理建模为离散脑状态切换与连续潜变量演化的耦合过程，该框架可能为联合状态追踪提供方法参考；这是机制对应假设，不是已证实的 BCI 效果。可复用部分是联合状态表示与 MC 近似思路，需改造部分是 EEG 观测模型、离散采样处理及噪声建模。低信噪比、跨被试差异、通道变化和小数据可能导致状态不可辨识或参数估计不稳，高维连续状态的网格离散也可能增加计算负担。可先在具有已知状态切换和连续潜变量的合成 EEG 特征序列上，对照仅估计连续状态的滤波器，检验离散状态识别与连续状态估计是否同时改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其将连续时间随机混杂系统的联合状态估计转化为离散化 Markov Chain 的状态估计，并给出相应收敛论证；对 EEG 状态追踪的适用性尚未验证。

  2. OpenReview · State space models71

    基于区间数据的 MIMO 系统阶数与状态空间模型辨识

    基于摘要分析。本文研究测量误差未知但有界时，如何辨识多输入多输出（MIMO）线性时不变系统的阶数及状态空间模型，将此前面向单输出系统的方法扩展到 MIMO 情形。核心贡献是利用特定排列的数据矩阵确定模型阶数，并将初步辨识得到的 ARX 模型转换为状态空间模型。 方法以采样测量数据的区间表示为起点，用区间覆盖未知但有界的测量误差，最终得到参数为区间形式的离散时间模型，以表示测量误差引起的参数不确定性。这属于系统辨识与不确定性表征方法，不是预训练模型或神经网络架构。作者指出，阶数确定和模型转换两个步骤不能从多输入单输出（MISO）情形直接推广。摘要称论文讨论了方法的优缺点并提供示例，但具体矩阵构造、区间运算、辨识条件、误差界设定及示例结果尚未验证，无法据此判断其精度、计算代价或相对优势。 平台推测（待验证）：假设某段多通道 EEG 可近似为线性时不变系统，且输入可观测、测量误差存在可信界限，这一框架可能用于研究动力学参数对测量误差的敏感性。可考虑复用区间数据表示与参数不确定性传播思路，但需重新定义 EEG 的输入输出关系、噪声界限及局部平稳时间窗。低信噪比、突发伪迹、跨被试差异、通道变化和短记录可能使误差界过宽或模型难以辨识；区间参数也不等同于统计置信区间。 一个可检验的小实验是先使用已知阶数和参数的多通道线性仿真系统，在明确有界噪声下检验阶数恢复及参数区间覆盖，再评估与目标 EEG 场景的对应关系。这仅是机制验证建议，不构成 EEG 或 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其将有界测量误差传播为模型参数区间，并针对 MIMO 系统提供阶数确定与 ARX 到状态空间模型转换方法；其适用于 EEG 的误差假设与辨识条件尚未验证。

1月1日周二
  1. OpenReview · State space models74

    面向广义信念空间中的规划

    基于摘要分析。本文研究机器人在不确定性下的连续控制规划，主要对象是自主导航、操作等机器人应用，而非 EEG 或 BCI。其核心贡献是提出 generalized belief space（GBS，广义信念空间），将机器人自身状态与环境状态的联合信念纳入规划，以放宽传统信念空间规划对环境已知或部分已知的依赖。 机制上，作者将 GBS 嵌入 Model Predictive Control（MPC，模型预测控制），采用双层优化：外层计算最优控制动作，内层计算给定动作下的广义信念。作者称该表述适用于一般代价函数，不需要环境先验知识，也不采用 maximum likelihood observations（最大似然观测）假设。摘要还提到针对某类代价函数的应用与用于解释理论推导的数值示例，但未给出具体代价函数、信念表示、求解器或计算开销。 其方法区别在于同时处理机器人状态估计与环境不确定性，而非仅在固定环境模型下优化控制。摘要未提供可核对的性能数字或对照结果；实验协议、消融及统计信息尚未验证。复现前需核对状态与环境变量的定义、观测和动力学模型、信念更新方式、优化求解条件及数值示例设置。 平台推测（待验证）：假设用于 BCI 驱动的机器人共享控制，可考虑以联合信念表示机器人或环境状态与用户指令解码的不确定性，并复用 MPC 与双层优化框架；但用户意图及解码误差是否能按原文机制建模仍需核对。需改造观测模型和代价函数，低信噪比、跨被试或跨会话漂移、小数据条件下的模型失配可能造成错误信念更新，实时计算也可能成为瓶颈。可在固定机器人仿真任务中注入不同强度的指令噪声与环境不确定性，对照仅建模机器人状态的规划与联合信念规划，检验任务成功率、控制延迟及信念校准；这只是可证伪的迁移假设，并非本文已验证的 BCI 结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将机器人状态与环境状态纳入联合信念、并以双层优化耦合控制与信念计算的规划机制，但数值示例的实验协议及其对 BCI 的适用性尚未验证。

  2. OpenReview · State space models78

    基于粒子随机近似 EM 的高斯过程状态空间模型辨识

    基于摘要分析。本文研究非线性动力系统的 Gaussian Process State-Space Models（GP-SSMs）参数辨识，提出结合粒子 Markov chain Monte Carlo（MCMC）与随机近似 EM 的最大似然辨识方法，同时保留系统动力学的完整非参数描述。 GP-SSMs 以贝叶斯非参数方式表示系统动力学，并通过额外参数与超参数控制该表示的性质。其贝叶斯框架支持对动力学不确定性进行系统性推理。本文的核心是辨识这些参数，而非将未知动力学替换为固定的参数化函数。摘要说明方法采用粒子 MCMC 的相关进展支撑随机近似 EM，但未提供具体采样步骤、优化目标的展开形式或计算复杂度；这些细节尚未验证。 摘要未给出实验数据、序列规模、对照基线或定量指标，因此目前无法判断辨识精度、收敛稳定性及效率增益。实验协议、消融及统计信息尚未验证；复现还需核对状态与观测模型、核函数、初始化、粒子数及收敛判据。 平台推测（待验证）：该方法可能用于 EEG 隐状态与非线性时序动力学建模，对应的瓶颈是观测噪声下的隐状态推断及动力学不确定性表征。此假设依赖序列具有可建模的状态演化结构及合适的观测模型。可考虑复用 GP 动力学表示与粒子推断框架，但需要适配 EEG 的多通道观测、噪声和非平稳性；低信噪比、短序列及跨被试差异可能造成状态不可辨识、参数估计不稳定或计算负担过高。一个小规模可证伪实验是在固定被试内训练与留出时段划分下，与线性状态空间模型比较预测误差、不确定性校准和运行成本。该实验仅检验 EEG 时序建模假设，不代表已证实 BCI 解码收益；已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究提供了在保留动力学非参数表示的同时辨识 GP-SSMs 参数的思路，值得核对粒子推断与随机近似 EM 的结合方式及其计算代价；用于 EEG 动态建模的价值尚未验证。