Spectra：用于基于模拟的推断中测试时先验适应的精确分量传输

基于摘要分析。该研究针对基于模拟的推断（Simulation-Based Inference，SBI）中摊销推断模型受训练时先验约束的问题，提出 Spectra：在测试时更新先验，使预训练推断模型能够处理新的科学知识或替代假设，而无需重新模拟或训练。 核心机制是针对 diffusion-based SBI，利用精确的 score 传输恒等式，从冻结的 diffusion 模型以闭式形式获得适应后的 score。摘要将适用范围限定为结构化先验变化，因此不能将其理解为对任意先验或任意分布偏移都有效；具体结构条件、分量传输的定义及恒等式推导尚未验证。这里的测试时适应面向贝叶斯推断中的先验更新，不等同于一般分类任务的测试时自适应。 作者报告，在六个 SBI 基准上，Spectra 能在强先验偏移下实现准确适应，并保持较低的在线采样成本。摘要未提供基准名称、先验偏移设置、准确性指标、采样成本数值或对照方法，实验协议、消融及统计信息尚未验证。复现时应重点核对结构化先验的约束、冻结模型所需输出、闭式 score 更新的计算条件，以及在线采样成本的计量方式。 平台推测（待验证）：若 EEG 或 fMRI 的科学分析已有可信模拟器，并采用 diffusion-based SBI 估计潜在生理参数，这一机制可能用于更新参数先验，而不是直接提高 BCI 解码性能。该假设依赖模拟器质量、训练先验覆盖和先验变化满足方法条件；可复用的是 score 传输机制，需改造的是模拟器、观测表征与先验参数化。低信噪比、跨被试差异、通道变化及小数据可能使模拟模型与真实观测失配，先验更新未必能纠正这种误差。可先在固定模拟器的合成 EEG 参数推断任务中，仅改变符合条件的先验，将 Spectra 与新先验下重新训练的 SBI 比较后验覆盖与采样成本。已有 EEG 相关工作尚未检索确认。