面向非平稳高维动力系统的高效变换高斯过程状态空间模型

基于摘要分析。该研究针对高斯过程状态空间模型（GPSSMs）在高维动力系统中的计算与参数复杂度，以及独立平稳 GP 对非平稳转移动态的表达限制，提出高效变换高斯过程状态空间模型（ETGPSSM）。其主要研究对象是一般非线性动力系统的学习、状态估计与时间序列预测，并非直接针对 EEG 或 BCI。 核心机制是将单个共享 GP 与输入依赖的 normalizing flows 结合，构造可表达非平稳转移动态的隐式过程先验，替代多个独立平稳 GP。推断采用变分框架，联合近似底层 GP 与定义 normalizing flows 的神经网络参数的后验；同时引入集合卡尔曼滤波（EnKF）进行状态估计，以避免对潜在状态显式设置变分参数。具体损失形式、流结构、计算复杂度及 EnKF 的实现细节尚未验证。 作者报告，在合成与真实数据的系统动态学习、高维状态估计及时间序列预测评估中，ETGPSSM 的计算效率和准确性优于已有 GPSSMs 与基于神经网络的 SSMs。摘要未提供数据集名称、划分、指标或数值，因此无法判断优势的幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的跨时间变化可由非平稳潜在状态转移解释，该机制可能用于建模时变动态，而非直接解决跨被试域偏移。可复用共享 GP、输入依赖变换及 EnKF 推断框架，但需适配 EEG 观测模型、通道结构和噪声特性；时间序列结构是必要条件，观测监督形式、训练规模及状态可辨识性要求需查阅全文。低信噪比、小数据、通道变化和被试差异可能使转移动态与观测噪声难以区分。一个可检验的小实验是在固定通道、按时间块严格划分的被试内 EEG 上，对比 ETGPSSM 与平稳 GPSSM 的预测误差、区间覆盖率和运行成本，再移除输入依赖变换以检验其贡献；这不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。