物理信息变分状态空间高斯过程

基于摘要分析。本文研究如何将微分方程所表达的物理先验融入数据驱动模型，同时缓解现有方法计算扩展性不足或仅适用于时间建模的限制。作者提出变分时空状态空间高斯过程（GP），支持线性与非线性物理约束，并报告计算成本随时间长度线性增长。 核心思路是结合 GP 的非线性建模、先验知识融入与不确定性量化能力，在时空状态空间框架下进行变分建模。摘要未说明物理约束的具体表示、变分目标、状态空间构造或非线性约束的处理方式，因此尚不能判断约束如何进入训练与推理。时间维度上的线性计算成本，也不能据此解读为空间规模、状态维度或全部训练开销均线性增长。 作者报告，在若干合成与真实场景中，该方法的预测性能与计算性能均优于当时的先进方法；摘要未提供任务名称、数据规模、划分、对照方法、指标或数值，相关实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有可明确表达的时空动力学先验，该框架可能用于研究带约束的信号重建及不确定性估计，但原论文摘要并未验证 EEG 或 BCI 效果。可考虑复用其时空 GP 与变分状态空间推理框架，需针对电极布局、观测噪声和动力学先验改造观测及约束部分；跨被试差异、通道变化、低信噪比与小数据条件可能使约束失配，产生偏差或不可靠的不确定性估计。一个可检验的小实验是，在固定被试内划分和相同遮蔽协议下，比较加入候选动力学约束与不加约束的 GP 对 EEG 缺失片段的重建误差、预测区间覆盖率及计算耗时，并测试约束失配时的退化。已有相关 EEG 工作尚未检索确认。