潜在空间投影预测推断

基于摘要分析。本文研究如何将 projection predictive inference（投影预测推断）扩展到指数族之外的复杂模型，以实现计算高效的变量与结构选择。核心贡献是采用潜在空间投影视角，在缩减变量集合时尊重原模型结构，并保留参考模型的后验不确定性。 机制上，传统投影预测推断从包含全部可用变量的参考模型出发，将其后验替换为仅包含部分变量的受约束投影。作者提出统一的潜在空间框架，旨在识别相关变量及模型结构，并改善指数族中非高斯模型的变量选择。摘要未给出潜在空间的具体定义、投影目标、优化方法或计算复杂度，尚不能据此重建实现。 作者报告，在多种设置及现实数据集上与常用变量选择方法比较，该方法能够恢复复杂模型中的相关项与结构，并在现实数据集上选择比竞争方法更少的变量。摘要未提供数据集名称、对照方法、划分协议、预测指标及数值，因此不能将变量更少直接解释为预测性能更高；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析采用具有明确后验分布的统计参考模型，该机制可能用于筛选通道相关特征或结构项，缓解冗余特征与小数据下的模型复杂度问题。可复用的是参考模型到简化模型的投影选择思路；需改造的是 EEG 特征表示、通道分组约束及被试差异处理。低信噪比、强相关通道和跨被试分布变化可能使所选结构不稳定。一个可检验的小实验是在固定 EEG 任务与被试内划分下，将该方法与常规变量选择及完整参考模型比较，核对预测表现、所选变量数量与重复划分下的选择稳定性；预处理和选择过程应限定于训练数据。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。