未知动态状态空间模型中的无似然推断

基于摘要分析。本文研究观测似然不可获得、状态转移动态未预先定义且模拟成本较高时，如何进行状态空间模型的无似然推断（Likelihood-free inference，LFI）。核心贡献是估计未知转移动态，并将状态预测用作模拟提议，以在有限模拟次数下支持状态推断。 原问题依赖能够生成合成观测的黑箱模拟器，而非直接计算观测似然。摘要指出，既有相关研究往往假设可事先建立状态转移模型，且模拟预算不受限制；本文针对这些前提不成立的情形。其实现使用 multi-output Gaussian process 进行状态 LFI，并以 Bayesian neural network 作为转移动态的代理模型。具体推断目标、训练方式、模拟提议的构造及预算分配尚未验证，不能据摘要确定其损失形式或网络结构。 作者报告，在非平稳用户模型实验中，该方法提升了状态推断与预测的准确性，并将提升描述为显著。摘要未提供具体指标、数值、对照基线、模拟次数或显著性检验细节，实验协议、消融及统计信息尚未验证；研究对象是非平稳用户模型，而非 EEG 或 BCI。 平台推测（待验证）：若 EEG 潜在状态建模具备可生成观测的可信模拟器，且状态动态随时间变化，该机制可能用于探索有限模拟预算下的状态估计。可复用的是动态代理与预测驱动的模拟提议；需改造的是 EEG 观测生成机制、状态定义及通道映射。低信噪比、跨被试差异和小数据可能使动态估计失准，进而将模拟预算集中到错误状态区域。一个可证伪的小实验是在具有已知潜在状态的合成 EEG 上，固定模拟预算，比较预测驱动提议与非预测驱动提议的状态估计误差，并逐步增加噪声与动态漂移。原领域结果不能直接外推到 BCI；已有 EEG 相关工作尚未检索确认。