面向多维高斯过程状态空间模型的高效建模与推断

基于摘要分析。本文研究高维潜在状态下 Gaussian process state-space model（GPSSM）的建模与推断成本问题，提出将 efficient transformed Gaussian process（ETGP）引入 GPSSM，并开发相应的变分推断算法，以减少参数数量和计算复杂度。 核心机制：摘要指出，既有 GPSSM 为每个潜在状态维度分别配置 Gaussian process（GP），使计算成本与参数数量随状态维度增加。所提方法将共享 GP 通过多个 normalizing flows 变换，用于建模高维潜在状态空间中的转移函数。其主要变化是以共享 GP 与多重变换替代逐维独立 GP；具体变换结构、跨维依赖表达方式、变分目标及复杂度推导尚未验证。 结果与复现：作者报告，在多种合成及真实数据集上，该方法具有更高效率，同时获得与既有方法相近的推断表现。摘要未提供数据集名称、划分、基线、指标数值或运行成本测量条件，因此尚不能量化性能与效率之间的权衡。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性、依赖环境及复现配置尚未核对。 平台推测（待验证）：假设 EEG 动态建模确实需要高维潜在状态，共享 GP 与多个 normalizing flows 可能缓解逐维建模的成本瓶颈。可考虑复用状态转移模型与变分推断框架，但需要适配 EEG 的观测模型、噪声特征及被试差异；其具体监督需求和数据规模要求仍需查阅全文。低信噪比、小数据及通道变化可能使潜在动力学难以辨识，共享结构也可能限制不同状态维度的表达能力。一个可检验的小实验是在固定 EEG 通道、相同潜在维度与被试内划分下，对比逐维 GPSSM 和该方法的留出序列预测误差、训练时间及峰值内存，判断是否能够在保持预测表现的同时降低成本。已有 EEG 相关工作尚未检索确认。