通过在线因子化渐近贝叶斯推断实现流式模型选择

基于摘要分析。本文研究动态变化或异质数据源下的流式模型选择，提出 online FAB（OFAB）推断框架，使潜变量模型在持续接收数据时自动调整潜变量维度，而不预先固定数据生成过程的复杂度。 核心机制是 degeneration：先考虑一个冗余潜在空间，再利用 FAB 特有的收缩机制，按需导出非冗余潜在子空间。该机制结合随机变分推断，以贝叶斯方式进行在线模型复杂度选择。摘要支持的贡献是潜在维度的动态选择，而非特定神经信号任务的解码方法；具体目标函数、更新规则及潜变量模型实例尚未验证。 作者报告，在密度估计和异常检测两类应用中，OFAB 优于所比较的先进在线推断方法。摘要未提供数据集、数据流划分、基线名称、评价指标或数值，因此无法判断优势幅度及其适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 流可由潜变量模型描述，且有效潜在复杂度随时间变化，OFAB 的在线收缩机制可能用于调整表征维度。可复用的是随机变分更新与潜在空间收缩思路，需改造的是适配 EEG 时序、通道结构及噪声特性的观测模型。低信噪比、小数据或跨被试、跨通道分布变化可能使有效信号被误收缩；收缩后能否恢复或扩展维度也需核对正文。一个可检验的小实验是在相同 EEG 时间顺序划分下，对比固定潜在维度与 OFAB 动态选择，观察预测表现、保留维度及更新开销。该迁移假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。