Infinity Learning：从聚合稳态观测中学习马尔可夫链

基于摘要分析。本文研究在没有序列样本、仅有聚合稳态统计的条件下，学习参数化连续时间马尔可夫链（CTMC），并预测训练中未观测状态的稳态概率。作者提出 ∞-SGD，以随机停止估计器处理稳态计算涉及的无限求和，从而支持部分状态可观测条件下的参数学习。 机制与前提：模型预先给定转移率的参数化形式，并已知部分转移率。难点在于稳态对应任意长的演化过程，直接沿序列应用链式法则计算梯度面临优化障碍。∞-SGD 通过随机停止估计器绕开无限求和；摘要未提供具体目标函数、停止分布、估计器偏差与方差性质，亦无法据此判断参数和未观测状态分布的可辨识条件。 作者报告，在真实测试平台与合成实验中，该方法展示了预测准确性，并能从轻负载训练条件外推至未观测的重负载条件，预测未观测状态的稳态分布；在困难场景中，针对已有方法专门改造的对照仍未成功，而该方法能够奏效。摘要未给出数值指标、测试平台细节或具体基线，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 状态可被合理离散化，且存在近似平稳、部分状态可观测的数据条件，这一机制或可用于研究仅凭状态占比估计潜在转移动力学的可行性，而非直接作为 EEG 解码器。可复用的是稳态目标下的随机梯度估计，需改造的是状态定义、转移率参数化及观测映射。低信噪比、跨被试状态不一致、小数据与非平稳性均可能使稳态假设或参数可辨识性失效。一个可证伪的小实验是先用已知转移率的合成 CTMC，仅暴露部分状态的聚合占比，检验未观测状态概率能否被可靠恢复，再评估是否值得引入 EEG 数据。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。