采用 Price's gradient 的随机梯度变分推断：从 Bures-Wasserstein 空间到参数空间

基于摘要分析。本文研究仅已知未归一化对数密度时的分布近似问题，比较高斯变分族下 Wasserstein VI（WVI）与 black-box VI（BBVI）的收敛保证。核心贡献是区分优化空间与梯度估计器的作用：作者报告，通过调整梯度估计器，两类方法可获得相同的、作者称为当前最优的迭代复杂度保证。 WVI 在测度空间（Bures-Wasserstein 空间）中优化，BBVI 则在参数空间中优化。此前，WVI 的收敛保证优于采用重参数化梯度的 BBVI，容易被解释为空间选择带来的收益。本文指出，这一差距主要源于 WVI 所用的 Price's gradient：该估计器与 Price's theorem 相关，利用目标对数密度的二阶信息，即 Hessian。作者称，BBVI 经过小幅修改也能使用这一估计器；反过来，WVI 也可采用仅需对数密度一阶梯度的重参数化梯度，以扩大适用范围。 作者报告，实证比较支持 Price's gradient 是性能改善的主要来源，但摘要未提供具体任务、指标、复杂度表达式或计算成本。理论成立所需的目标分布条件、Hessian 获取方式，以及按迭代次数衡量的收益能否转化为运行时间收益，均需全文核对；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 概率建模任务采用可微对数密度及高斯变分近似，可检验这一估计器选择是否改善后验推断，而非直接将其视为 EEG 解码方法。可复用部分是 VI 更新与梯度估计，需适配的是 EEG 观测模型和先验；低信噪比、小样本造成的弱可辨识性，以及高维参数的 Hessian 成本，可能限制收益。一个小规模可证伪实验是在同一 EEG 概率模型和数据划分上，固定变分族与初始化，比较两种估计器的目标函数收敛和运行时间。相关 EEG 工作尚未检索确认。