Particle-MALA 与 Particle-mGRAD：面向高维状态空间模型的梯度 MCMC 方法

基于摘要分析。本文研究高维状态空间模型的贝叶斯推断，将条件序贯蒙特卡洛（CSMC）的时序结构利用能力与 MALA、mGRAD 的梯度或先验引导局部提议相结合，提出 Particle-MALA 和 Particle-mGRAD，以同时改善对时间跨度 T 与潜状态维度 D 的扩展性。 核心机制：CSMC 在每个时间步提出 N 个粒子，利用模型随时间去相关的性质，但在潜状态维度较大时可能失效；经典 MALA、mGRAD 对 D 的扩展性较好，却未充分利用时序模型结构。Particle-MALA 利用梯度信息，在当前状态附近提出多个局部粒子，将 MALA 扩展到 T > 1、N > 1 的情形。Particle-mGRAD 进一步把条件高斯先验动力学纳入提议。作者报告证明，Particle-mGRAD 可在 CSMC 与 Particle-MALA 之间插值，以适应高度或弱信息性的先验动力学。论文还将 auxiliary MALA、aGRAD 和 PCNL 扩展至多时间步、多提议情形。 结果与证据边界：作者报告，在高度与弱信息性先验动力学两类实验条件下，所提方法均明显优于 CSMC 和所比较的经典 MCMC 方法。摘要未给出具体数据、T、D、N、性能指标或计算预算，因此尚不能量化优势，也不能判断不同方法在等计算成本下的表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析任务采用可微观测似然和高维潜状态的时序生成模型，这类提议机制可能用于后验轨迹采样，而非直接替代 EEG 分类器。可复用的是梯度引导粒子提议与时序采样框架；需针对 EEG 构建观测模型，并核对先验动力学是否满足条件高斯结构。低信噪比、跨被试与通道变化可能使模型失配，小数据也可能削弱动力学参数估计。一个可检验的小实验是在具有已知潜轨迹的 EEG 风格模拟数据上，在相同计算预算下比较 CSMC、MALA 与所提方法的采样效率及轨迹恢复误差，并改变噪声和先验信息强度。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。