学习具有稀疏系统矩阵的线性状态空间模型

基于摘要分析。本文研究如何从含噪时间序列观测中学习具有稀疏系统矩阵的线性状态空间模型（LSSMs）。作者通过在系统矩阵上引入促进稀疏性的先验，并利用期望最大化（EM）算法推导最大后验（MAP）估计，以平衡建模误差与模型复杂度。 核心机制：原问题中的变量相互作用有限，因此系统矩阵可能具有稀疏结构；但相似变换会改变隐状态表示，使稀疏约束的学习面临困难。作者将隐状态视为潜变量，基于含噪观测估计隐状态与系统矩阵。摘要未给出先验形式、具体更新步骤或稀疏约束作用于哪些矩阵，这些实现细节尚未验证。 理论与实验：作者报告，依据 Global Convergence Theorem，所提出算法生成的序列收敛至联合后验分布的局部极大值或鞍点；这一结论不等同于全局最优或真实拓扑可识别。作者报告，仿真与真实问题实验显示，该算法能够保留变量间的内在拓扑结构，并相较经典学习算法显著提高预测准确性。具体数据、预测指标、对照基线、实验协议、消融及统计信息尚未验证，不能据此量化收益或判断适用范围。 平台推测（待验证）：假设 EEG 的部分时序动态可由线性隐状态及稀疏相互作用近似，该机制可能用于低信噪比、小样本条件下的动态建模。可复用部分是稀疏先验与 EM 估计框架；需要改造和核对观测模型、通道映射及跨被试参数差异。头皮 EEG 的混合观测可能使通道关系呈现稠密结构，隐状态坐标也未必对应生理源，因此稀疏矩阵不能直接解释为脑连接。可先在固定被试内划分下，比较稀疏与非稀疏 LSSM 的留出时段预测误差及不同初始化下的结构稳定性，并仅用训练数据选择稀疏强度。已有 EEG 相关工作尚未检索确认。