解碼器為何會漂移
即使初始擬合完美，固定的解碼器仍會衰退。神經訊號是非平穩的：電極相對於組織會微幅移動，單元收訊逐日改變，喚醒與注意力會移動基線，而使用者自身的可塑性又在改寫編碼。這些合起來就是神經非平穩性與訊號漂移，而從解碼器的角度看，它表現為共變量偏移——輸入分布從一個昨天還正確的映射底下移走了。解方是讓解碼器適應；危險則是把它調錯。再校正無可避免，所以我們希望它便宜、安全、且最好是無形的。
意圖估計：ReFIT 的核心想法
線上重新訓練的核心障礙，是你不知道標籤。監督式擬合需要每一刻的意圖速度，但在閉迴路裡真正的意圖是隱藏的。ReFIT用一個優雅而簡單的任務假設化解它：在伸手觸標的任務中，使用者始終意圖直直朝目標移動。於是把解碼出的速度取來，保留其速率，把方向旋轉成指向目標——這個旋轉後的向量就是你的意圖估計，你用它來重新訓練。套用到速度卡爾曼濾波器上，就得到ReFIT 卡爾曼濾波器，這是迄今展示過性能最高的運動解碼器之一。
\tilde v_k = \lVert \hat v_k \rVert \; \frac{g_k - p_k}{\lVert g_k - p_k \rVert}意圖估計：保留解碼出的速率 \lVert \hat v_k\rVert，但把方向從目前游標 p_k 改指向目標 g_k。已在目標上的樣本則設為零速度。以 \tilde v_k 重新訓練，可去除使用者誤差與解碼器誤差之間的混淆。
保留解碼器算出的速率，但把方向從原本亂飄之處改為直指目標。這假設使用者總是想朝目標前進，因此以這些修正後的速度重新訓練，可把使用者的誤差和解碼器的誤差解開。
- \tilde v_k
- 用於重新訓練的修正「意圖」速度。
- \lVert \hat v_k \rVert
- 解碼出的速率（大小）——保持不變。
- g_k - p_k
- 從游標 p_k 指向目標 g_k 的向量。
- \frac{g_k - p_k}{\lVert g_k - p_k \rVert}
- 把該向量縮成長度 1——純粹指向目標的方向。
一個往旁邊飄的游標保留其速率，方向卻被扳正直指目標；已在目標上的樣本則設為零速度。
閉迴路解碼器自適應（CLDA）
ReFIT 提供標籤；閉迴路解碼器自適應（CLDA）則提供把標籤納入卻不使迴路失穩的更新規則。這一家族共享同一種形狀：週期性地從近期一批資料估出新的解碼器參數，再把它們混入運行中的解碼器，而非直接取代。SmoothBatch 取凸組合；遞迴最大概似（RML）則以遺忘因子連續地做同樣的事；自適應卡爾曼變體則在線上更新模型自身的共變異數。
\Theta_n = (1-\rho)\,\Theta_{n-1} + \rho\,\hat\Theta_n^{\mathrm{batch}}, \qquad \rho = 1 - 2^{-\Delta t_{\text{batch}} / \tau_{1/2}}SmoothBatch：把新批次估計混入目前參數。半衰期 \tau_{1/2} 是主控旋鈕——半衰期長代表適應緩慢而穩定；半衰期短代表適應快速而躁動。
與其跳到每個新估計，不如把它輕柔地混入舊參數。混合的快慢由半衰期決定：半衰期長代表緩慢而穩定的適應；半衰期短則代表快速但躁動。
- \Theta_n
- 混合後更新的解碼器參數。
- \hat\Theta_n^{\mathrm{batch}}
- 由最新一批資料算出的新鮮估計。
- \rho
- 介於 0 與 1 之間的混合比例——採用新估計的多少。
- \tau_{1/2}
- 半衰期——控制適應速度的主旋鈕。
半衰期長時，每批只輕輕推動解碼器；半衰期短時，它會迅速擺向新估計。
# One CLDA batch update for a velocity Kalman filter
rho = 1 - 2**(-dt_batch / half_life) # blend weight from half-life
for batch in closed_loop_stream():
p, v_dec = run_decoder(batch) # cursor path + decoded velocity
v_int = refit_intention(v_dec, goal=p_goal, pos=p) # rotate toward target
Theta_batch = fit_kalman(neural=batch.y, kin=v_int) # fresh estimate
Theta = (1 - rho) * Theta + rho * Theta_batch # SmoothBatch blend
deploy(Theta) # keep driving the loop穩定性與可塑性：自適應速率這個旋鈕
混合權重正是控制理論與機器學習交會之處。適應太快，解碼器會去追逐量測雜訊，更糟的是會與使用者自身的學習產生不良耦合——就是上一篇的移動目標失穩，只是如今由你的更新速率所驅動。適應太慢，則追不上真實的漂移。因此解碼器穩定性是半衰期／遺忘因子的調參問題，而不是天上掉下來的性質。
\hat\Theta_n = \arg\min_{\Theta} \sum_{i \le n} \lambda^{\,n-i}\, \ell\big(\Theta;\, y_i, \tilde v_i\big), \qquad 0 < \lambda < 1指數加權（遺忘因子）擬合：近期樣本主導，舊樣本以速率 \lambda 淡出。\lambda 小則追漂移快但雜訊大；\lambda \to 1 則穩定但緩慢——與 SmoothBatch 半衰期是同一個穩定性–可塑性旋鈕。
擬合解碼器，但給近期資料較高權重，讓舊資料以指數方式淡出。\lambda 小則忘得快（追漂移快但跳動大）；\lambda 接近 1 則記得久（穩定但緩慢）——與 SmoothBatch 半衰期是同一個穩定性對可塑性的旋鈕。
- \hat\Theta_n
- 第 n 步的最佳擬合解碼器參數。
- \lambda
- 介於 0 與 1 之間的遺忘因子。
- \lambda^{\,n-i}
- 樣本 i 的權重；越舊的樣本影響力呈指數縮小。
- \ell(\cdot)
- 你正在加總並最小化的每樣本損失。
當 \lambda = 0.95，二十步前的樣本只約有最新樣本三分之一的份量。
半監督與自我再校正
自適應解碼的前沿，是徹底去掉校正段落。自我再校正利用任務本身的結構——游標停在目標上、一次點擊、一個解碼出的 ErrP、自然動作的統計——以非監督方式產生標籤，於是解碼器一邊追蹤漂移，使用者一邊照常工作。好處是零停機；風險則是一種回饋病態：若偽標籤衍生自解碼器自身的輸出，錯誤可能被強化，迴路可能漂移進一個「自信卻錯誤」的狀態。如何防範這種自我強化，是一個活躍的研究問題，我們會在最後一篇回到它。