核函数上的函数空间分布

基于摘要分析。本文研究 Gaussian processes 中如何学习决定归纳偏置的协方差核，提出 functional kernel learning（FKL），直接推断核函数上的函数后验，而非仅估计一个确定的核。主要贡献是通过谱密度上的变换 Gaussian process，诱导核函数的非参数分布，将表示学习与核不确定性建模结合起来。 核心机制是以谱密度作为构造平稳核的中间表示。作者称，该构造支持任意平稳核，可表达核取值的不确定性，并允许直接指定具有可解释性的核先验，无须复杂初始化或人工干预。推断采用 elliptical slice sampling，以处理函数空间建模中具有强相关先验的后验边缘化问题；具体变换形式、计算复杂度与采样收敛情况尚未验证。 作者将方法拓展至非均匀采样、大规模、多任务和多维数据，并报告在插值、外推及核恢复实验中表现良好。摘要未提供数据集、样本规模、对照方法或量化指标，实验协议、消融及统计信息尚未验证，不能据此判断其相对优势或可扩展性边界。 平台推测（待验证）：可检验的迁移假设是，若 EEG 局部时间窗内的相关结构可由平稳核近似，FKL 的谱密度学习与核不确定性建模或可用于信号插值及预测区间估计。可复用的是谱密度先验与核后验推断机制；需另行设计多通道协方差及噪声模型，并核对原方法对观测监督和数据规模的要求。低信噪比、非平稳性、跨被试频谱差异及小数据条件可能使谱结构难以辨识。可先在固定被试内划分下开展 EEG 缺失片段插值，与固定平稳核的 Gaussian process 比较重建误差、区间覆盖率及计算开销。该实验仅检验迁移假设，不代表已有 BCI 效果；相关 EEG 工作尚未检索确认。