利用连续平均在 Wasserstein 空间中进行高效轨迹推断

基于摘要分析。本文研究如何从动态过程的横截面点云观测重建连续轨迹，主要验证对象是细胞数据，而非 EEG 或 BCI。作者提出 Wasserstein 空间内蕴的连续平均方法，用于点云的 B-spline 逼近与插值，以尊重数据的几何结构。 方法将细分方案与基于最优传输的测地线结合，使轨迹推断能够按所选精度和平滑程度进行，并可自动处理粒子随时间分裂的情况。其关键思路是在 Wasserstein 空间中构造平均与插值，而不是仅对欧氏坐标进行处理。摘要未说明具体运输代价、点云权重、平均算子的实现及计算复杂度，这些细节尚未验证。 作者报告证明了线性收敛率，并在包含分叉、合并及 supercells 等轨迹分裂情形的细胞数据上，与先进轨迹推断及插值方法进行比较。作者报告结果支持该方法的轨迹推断效果，以及保留数据内在几何性质的益处；摘要未提供数据集名称、样本规模、评估指标、具体基线或数值结果。实验协议、消融及统计信息尚未验证，不能据此判断性能优势的幅度或适用边界。 平台推测（待验证）：一个可检验的迁移假设是，将不同时间窗的 EEG 特征表示为点云分布，用该方法估计分布随时间的变化。可复用部分是 Wasserstein 平均与轨迹插值，需改造的是 EEG 特征、运输代价及时间窗构造；这依赖足够的分布样本和可信的时间顺序。低信噪比、通道变化、跨被试差异及小样本可能使运输关系偏离真实状态变化，且细胞分裂机制并不直接对应 EEG。小规模检验可在同一被试、同一会话中留出中间时间窗，仅由相邻观测重建其特征分布，与欧氏插值比较预先定义的分布误差；这只检验插值假设，不构成 BCI 解码有效性的证据。已有 EEG 相关工作尚未检索确认。