面向非规则采样时间序列的神经连续—离散状态空间模型

基于摘要分析。研究针对真实动态过程中的非规则采样与观测缺失问题，提出 Neural Continuous-Discrete State Space Model（NCDSSM），利用离散时刻的观测学习连续时间预测模型，主要任务是时间序列插补与预测。 核心机制是引入辅助变量，将识别过程与动力学建模解耦，使摊销推断仅需作用于辅助变量；动态状态的贝叶斯推断则借助连续—离散滤波理论完成。作者提出三种灵活动力学参数化方式，以及在推断过程中边缘化动态状态的高效训练目标。摘要未给出三种参数化的具体形式、滤波近似、目标函数及训练流程，相关实现细节尚未验证。 作者报告，在多个领域的基准数据集上，NCDSSM 的插补与预测表现优于已有模型。摘要未列出数据集名称、数据划分、采样与缺失协议、对照模型或指标数值，因此尚不能判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其连续时间潜在动力学与离散观测结合的机制，可能适用于 EEG 丢包、观测间隔变化或异步多模态记录，而不是默认解决常规等间隔 EEG 的分类问题。迁移依赖准确时间戳、可区分的观测缺失与真实动态变化，以及足够的时序数据。可复用部分是潜在动力学与连续—离散状态推断框架；观测模型、辅助变量识别模块及噪声假设需按 EEG 通道与信号特性改造。低信噪比、伪迹、跨被试差异、通道缺失和小数据可能使潜在动力学难以辨识。 一个可检验的小实验是在按被试或会话隔离的数据划分下，仅对输入观测人为加入已知时间戳的非规则采样与缺失，并保留目标样本用于插补和预测评估；在相同观测信息与预测范围下比较 NCDSSM 与插值加预测基线，检验收益是否随缺失程度变化。该实验仅检验信号建模能力，不构成 BCI 解码有效性的证据；已有 EEG 相关工作尚未检索确认。