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。

247 条精选近 30 天 72 条共收录 292 条

更新

精选归档 · 第 13 页

1月1日周五第 241–247 条
  1. OpenReview · State space models75

    不涉及相关性：在保守稀疏信息空间中进行不确定性下的决策

    基于摘要分析。本文研究高维状态空间中的不确定性决策，提出以保守近似的信息空间替代原始信息空间，使候选行动的评估更易计算。原论文的主要研究对象是高维状态估计与决策，并以传感器部署问题展示适用性，不是 EEG 或 BCI 方法验证。 核心机制是借鉴保守信息融合，将原始信息矩阵转化为稀疏的保守信息表示。作者进一步考虑解耦状态变量的极端近似，得到对角信息矩阵，从而在行动评估中不再涉及状态间相关性。作者报告，对于 n 维状态，该近似将评估候选行动影响的计算复杂度降至 O(n)；这一结论针对所述对角近似下的行动评估，并不能直接解释为完整决策流程的总复杂度。 作者报告，当测量观测模型涉及任意单个状态变量时，该方法能得到与使用原始信息矩阵完全相同的结果。应特别核对这一等价结论对应的决策目标、观测条件与证明范围，不能推广到同时依赖多个状态变量的观测。摘要未给出保守近似的具体构造、优化目标、传感器部署实验规模或定量指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 传感器选择或主动采样任务能明确表示为高维状态的不确定性决策，该机制可能用于降低候选行动评估成本。可复用部分是保守信息近似与行动评估框架，需改造部分是 EEG 观测模型和决策目标；其依赖明确的状态与观测关系，而非摘要中已验证的训练数据或监督标签。EEG 的多源混合、通道相关性、低信噪比及跨被试差异可能使单状态变量观测条件不成立，小数据还可能导致信息矩阵估计不稳定。一个可检验的小实验是在固定状态模型与数据划分下，对比完整信息矩阵和保守对角近似的计算耗时、行动排序及估计误差，并分别测试单变量与多变量观测条件。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其保守对角信息近似的构造与等价性条件：作者报告，在观测模型仅涉及单个状态变量时，可不计算相关性而保持与原始信息矩阵相同的决策评估结果。

12月31日周三
  1. OpenReview · EEG74

    使用 EEG 设备对不完全时间锁定的图像 RSVP 事件进行分类

    基于摘要分析。该研究针对图像快速序列视觉呈现（RSVP）中的 EEG 分类问题，将跨试次变化的神经响应潜伏期纳入统计模型，并结合似然比检验（LRT）进行分类；作者还提出，该模型可在刺激起始时间不精确时估计真实起始时间。 核心机制是放松神经响应与刺激完全时间锁定的假设。摘要指出，疲劳、环境干扰等因素可能使响应相对刺激起始时刻的潜伏期发生变化，而既有工作常为降低计算复杂度采用时间锁定假设。本文对潜伏期变化中的不确定性进行统计建模，再以 LRT 作出分类决策。潜伏期分布、信号模型、参数估计方式，以及起始时间估计与潜伏期建模如何区分，尚未验证。 作者报告，在一个图像 RSVP 实验的 EEG 数据集上，允许潜伏期变化的方法相较依赖完全时间锁定的方法，AUC 为 0.88 对 0.86；在刺激起始时间不精确的评估情境下，AUC 为 0.84 对 0.71。作者还报告，预测的刺激起始时间显著聚集于真实起始时间附近，p 值为 5.2 × 10^-44。该显著性结果不等同于时间估计误差大小，仍需核对误差分布及检验方法。 这些结果支持进一步核查潜伏期不确定性建模对 RSVP EEG 分类的作用，但摘要未明确被试数、通道配置、分类标签、被试内或跨被试划分、刺激时间不精确的构造方式，以及对照方法的具体实现。实验协议、消融及统计信息尚未验证；复现需取得上述细节，不能据现有 AUC 推断跨被试、跨会话表现或实际在线 BCI 效果。

    阅读价值：值得阅读其将神经响应潜伏期不确定性纳入统计模型并以 LRT 分类的机制，尤其是刺激起始时间不精确时的对照结果；具体建模与评估协议仍需全文核对。

1月1日周三
  1. OpenReview · State space models73

    连续域中的不确定性规划：广义信念空间方法

    基于摘要分析。该研究面向移动机器人在不确定条件下的规划问题，提出以广义信念为决策依据的概率框架：同时描述机器人自身状态及相关外部变量的概率分布，在不离散化状态空间或控制空间的前提下进行连续域规划。 核心机制是双层架构：内层估计模块通过推断预测候选决策的后果，外层决策模块选择行动。该方法还放宽最大似然观测假设，将预测测量视为随机变量，而非已经给定的观测。因此，其关注点不仅是预测状态，还包括规划阶段对未来测量不确定性的处理。摘要未给出具体分布形式、推断算法、规划目标函数或优化过程，这些实现细节尚未验证。 作者报告，在所述移动机器人实验中，该规划方法能够产生平滑轨迹，并将不确定性维持在合理范围内；摘要未提供具体任务、对照基线、量化指标或“合理范围”的定义，因此不能据此判断性能增益的幅度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若闭环 BCI 的控制任务能够建立用户意图、设备状态、行动及反馈观测之间的概率模型，该框架可能用于研究如何在解码不确定性下选择控制动作。这是假设性的规划层迁移，而非已验证的 EEG 解码方法；可复用的是估计与决策分层及随机预测观测的处理思路，需改造的是观测模型、状态转移模型与任务代价。EEG 的低信噪比、跨被试差异、通道变化及小数据条件可能使概率估计失准，进而影响规划效果。一个可检验的小实验是在固定解码器的模拟闭环控制任务中，对比随机预测观测与最大似然观测规划，在相同噪声及任务条件下评估任务完成情况和不确定性校准。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将状态估计与行动选择分层、并把预测观测作为随机变量处理的连续域规划机制，但摘要中的机器人轨迹结果尚不能支持 EEG/BCI 有效性。

  2. 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。

  3. 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。