離線—線上落差
在開迴路校準資料上擬合解碼器，它也許能漂亮地重建保留的動作學參數——然後在使用者實際驅動即時游標的當下卻顯得遲鈍、偏斜或難以操控。兩股力量造成此現象。（1）分布偏移：開迴路校準的統計特性（使用者觀看重播動作）不同於解碼器隨後運行的閉迴路統計特性。（2）使用者身在迴路中：他們對解碼器自身的誤差作出反應，因此控制期間的神經資料有一部分是對解碼器本身的回應。
意圖估計與 ReFIT
ReFIT的洞見簡單得令人意外。在目標已知的校準區段中，你可以推測使用者的真實意圖速度：無論其速率多少，其方向幾乎肯定是筆直朝向目標。於是你取解碼得到的速度，保留其大小但把方向旋轉至朝向目標，並在這些意圖修正後的動作學參數上重新擬合編碼模型。對同一批資料做第二輪、此時標記以更佳意圖，便能得到明顯更易操控的解碼器。
\tilde{\mathbf{v}}_k = \lVert\hat{\mathbf{v}}_k\rVert\;\frac{\mathbf{p}^{\mathrm{tgt}} - \mathbf{p}_k}{\lVert\mathbf{p}^{\mathrm{tgt}} - \mathbf{p}_k\rVert}意圖修正速度：保留解碼速率，將方向重新導向目標，再以這些標籤重新擬合解碼器（ReFIT）。
在重新訓練閉環解碼器時，ReFIT 假設使用者始終想直直朝目標前進。於是它保留解碼出的速率，但把方向轉向目標，再用這些清理過的標籤重新配適。
- \tilde{\mathbf{v}}_k
- 作為訓練標籤的意圖修正速度。
- \lVert\hat{\mathbf{v}}_k\rVert
- 解碼出的速率，保持不變。
- \mathbf{p}^{\mathrm{tgt}} - \mathbf{p}_k
- 從目前游標位置到目標的向量。
- \frac{\mathbf{p}^{\mathrm{tgt}} - \mathbf{p}_k}{\lVert\mathbf{p}^{\mathrm{tgt}} - \mathbf{p}_k\rVert}
- 指向目標的單位向量。
游標飄到左上，但目標在右上；ReFIT 把意圖方向重新標為右上、速率不變。
這是一種意圖估計：不再把使用者帶雜訊的實際游標路徑當作訓練標籤，而是推斷其背後目標導向的意圖。同一家族的相關技巧還假設使用者始終意圖移動（因此零速度樣本被降權），並修正關於游標實際位置的回饋。
CLDA：在迴路中適應解碼器
ReFIT 是一次性的重新校準；閉迴路解碼器適應（CLDA）則使其連續化。當使用者進行控制時，你從近期的意圖修正資料重新估計解碼器參數，並把新估計混合進運行中的解碼器，使其永不突然跳動。這正是單次任務能快速啟動（先粗略、再即時銳化）並在緩慢漂移中存活的方式。
\Theta_n = (1-\alpha)\,\Theta_{n-1} + \alpha\,\hat{\Theta}_n^{\mathrm{batch}}SmoothBatch 式的 CLDA：把新擬合的參數以指數方式混入即時解碼器；速率 \alpha 在適應速度與穩定性之間取捨。
與其突然換上一個剛配適好的解碼器，不如用指數平均把它溫和地混入目前的解碼器。混合率 \alpha 在「適應得快」與「保持穩定」之間權衡。
- \Theta_n
- 第 n 次更新後的即時解碼器參數。
- \hat{\Theta}_n^{\mathrm{batch}}
- 在最新一批資料上剛配適出的參數。
- \alpha
- 混合率：接近 0 慢而穩，接近 1 快而跳。
當 \alpha \approx 0.1 時，每次更新只把解碼器往新配適移動十分之一——這就是閉環解碼器適應。
混合速率 \alpha 本身就是設計張力：適應太快，解碼器會追逐雜訊（並可能與使用者破壞性地共適應）；太慢則永遠追不上漂移。這是自適應解碼與重新校準的縮影——一個在前沿章節達到高潮的主題。
兩個學習者同時運作
微妙之處在此。當你的 CLDA 適應解碼器時，使用者的大腦也在適應解碼器——這就是BMI 技能學習與皮質可塑性。兩個相互追逐的耦合學習者即為雙學習者問題：做得好時是共適應，控制改善的速度超過任一方單獨所能達成；做得差時兩種適應相互對抗，系統振盪或漂移。實務上通常的化解之道是先讓解碼器快速適應，再凍結或放慢它，好讓使用者能對一個穩定不變的目標建立起穩定的內部模型。