变量消元网络：学习高斯势以实现全图条件推断

基于摘要分析。该研究面向网络系统中仅部分节点可观测、节点状态相互依赖的状态恢复问题，提出 Variable Elimination Network（VEN）：学习局部高斯势，再通过精确可微的高斯消元整合全图证据，而非依靠反复局部消息传递获取远距离信息。主要研究对象是通用图状态恢复，EEG 是摘要列出的评估领域之一，并非专门的 BCI 解码方法。 机制上，共享节点与边映射构造正定精度矩阵 Qθ(G,a)，样本相关映射构造源项 bθ(x,G)；可选观测作为高斯似然因子进入系统，由 Schur、Cholesky 或 Woodbury 后端计算联合后验均值与协方差。作者报告建立了正定性与置换等变性，并在具有正耦合的连通标量系统中证明任意节点对之间的源项敏感性，以及三种推断后端的等价性；这些理论结论的条件不应推广到任意图系统。 作者报告，在涵盖水、电力、燃气、EEG 和空气质量的六个公开状态恢复任务中，五个随机种子的实验均优于各任务中所评估的最强基线。GasLib 上，作者报告 VEN 的 NRMSE 相对以压力为条件的水力学 MAP 估计器降低约 12.1%，相对 ridge 降低 85.6%，相对学习型图基线降低至少 89.5%；均为相对降幅，不能视为 EEG 效果。作者还报告尺寸外推、组件消融及额外比较，用于分析全图条件化、观测与学习耦合的作用及适用范围。缓存推断在所评估的中等规模系统中，支持与浅层 GNN 吞吐量相当的重复稀疏条件查询。 平台推测（待验证）：其机制可能对应 EEG 缺失通道重建中的远距离依赖整合。可复用的是高斯条件推断与缓存机制，需改造的是通道图、观测噪声和势函数学习。该假设依赖合理的图结构及可用于训练、核对恢复误差的完整信号；低信噪比、跨被试耦合变化、通道布局差异和小数据可能使学习到的高斯依赖失效。一个小规模检验是在固定被试内划分下掩蔽部分通道，对比 VEN、ridge 与浅层 GNN 的重建 NRMSE，再单独评估跨被试泛化，而不将重建改善等同于 BCI 解码改善。 摘要提供了代码地址，但实现与复现条件尚未核验。EEG 数据集、被试数、划分、任务指标、训练损失，以及详细实验协议、消融和统计信息尚未验证；相关 EEG 既有工作尚未检索确认。