HDP-Flow：用于时间序列状态发现的可泛化贝叶斯非参数模型

基于摘要分析。HDP-Flow 面向动态、非平稳时间序列中的无监督状态发现，将贝叶斯非参数建模与 normalizing flows 结合，以处理未知且可变的潜在状态，并学习可跨数据集迁移的状态表示。原论文的实证对象是可穿戴设备数据，并非已验证的 EEG 或 BCI 应用。 机制与贡献：相较于预先固定状态的建模方式，该方法旨在适应随数据变化的潜在状态结构，利用 normalizing flows 的分布表达能力刻画非平稳模式，并提供状态分布及转移动态的概率信息。作者提出可扩展的变分算法，以提高推理效率、缓解传统基于采样的贝叶斯非参数方法的计算限制。摘要未提供状态生成过程、flow 结构、变分目标或跨数据集共享机制，这些实现细节尚未验证。 结果与证据：作者报告，HDP-Flow 在潜在状态识别上优于已有方法，并在两个可穿戴设备数据集上展示了状态在不同子群体间的可迁移性；作者同时声称其不确定性具有良好校准性。摘要未给出数据集名称、样本规模、划分方式、对照方法、评价指标或数值，因此不能量化优势，也不能确认这些评估是否对应跨被试或跨会话协议。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 的非平稳变化可由具有可迁移分布结构的潜在状态刻画，则非固定状态建模与概率不确定性估计可能用于探索跨被试状态发现。可考虑复用状态建模与变分推理框架，但需要改造 EEG 输入表示、通道对齐与状态解释方式；低信噪比、伪迹、通道差异及小样本可能使模型将个体差异误识别为新状态。一个可检验的小实验是在固定 EEG 特征与严格跨被试划分下，对比 HDP-Flow 与固定状态数模型，核对留出被试上的状态一致性和不确定性校准，检验可变状态是否带来实际收益。这不是已证实的 BCI 效果，相关 EEG 工作尚未检索确认。