收录解读
这篇论文处理的是神经接口和脑机接口里一个很关键但长期缺少统一分析工具的问题：一旦用户和解码器都在闭环中同时学习，系统就不再是“模型适配人”或“人适配模型”的单边过程，而变成了两个学习者相互耦合的动态系统。过去这类 co-adaptive neural interface 大多依赖经验调参，很难在设计阶段就预测不同解码策略会如何改变用户行为和整体性能。
论文提出一套建立在控制理论和博弈论之上的计算框架，用来分析、预测并塑造闭环共适应神经接口中的 user–decoder dynamics。作者在一个自适应肌电接口实验平台上做了验证，让受试者通过在线适配的解码器控制二维光标，随后用控制理论模型分离用户与解码器的变化，并用 game-theoretic 视角去预测不同解码更新策略下的共适应结果。重点不只是证明 co-adaptation 存在，而是给出了一套可用于设计这种交互的可计算方法。
它值得正式收录，因为这篇工作把闭环人机交互、神经接口和在线适应解码器从经验工程推进到了更可复用的理论/系统框架。对 BCI、肌电接口、辅助设备 personalization、adaptive decoder 设计，以及更广义的 human-in-the-loop learning systems 都有明显外溢价值。对于这个仓库，它既符合 NeuroAI 的严格标准，也符合 test-time / deployment-time adaptation 对“闭环适配机制”而非单点技巧的要求。
它暂时不到更高一级，原因在于影响范围目前主要还是集中在神经接口与相关 human-machine control 场景。虽然方法论上很干净，也有实验验证，但还没到足以重排更广 AI 适配范式或更一般多智能体学习框架的程度，因此定为 breakthrough 更稳。