Wasserstein 空间中的镜像下降与预条件梯度下降

基于摘要分析。本文研究 Wasserstein 空间中的泛函最小化，将欧氏空间中的镜像下降与预条件梯度下降推广到概率分布优化，核心贡献是为新的目标泛函与正则项配对建立离散时间优化方案的收敛保证。 技术上，研究通过正则项诱导的几何来适应目标函数的优化结构，并将相对光滑性与相对凸性等条件扩展到 Wasserstein 空间。关键理论问题是选择沿哪些曲线定义和验证泛函的光滑性与凸性，从而为基于 Wasserstein 梯度的离散迭代建立收敛分析。摘要未给出具体更新公式、正则项形式、适用条件及收敛速率，相关细节尚未验证。 作者报告，在病态优化任务中，适配正则项诱导的几何具有优势；在计算生物学的单细胞对齐任务中，选择不同的差异度量与几何能够改善表现。摘要未提供数据集、对照算法、评价指标或数值结果，实验协议、消融及统计信息尚未验证。单细胞对齐是本文明确展示的应用，不能将其改写为 BCI 算法验证。 平台推测（待验证）：若 EEG 域适应流程将不同被试的特征表示为经验概率分布，并以 Wasserstein 空间中的泛函优化进行分布对齐，则本文的几何适配思路可能成为候选优化模块。可复用的是分布优化框架，需另行确定 EEG 特征、目标泛函及正则项，并核对理论条件是否成立；低信噪比、通道差异和小样本可能使经验分布估计不稳定。一个可检验的小实验是在固定跨被试划分、特征与对齐目标的前提下，仅替换优化方案，同时比较目标值收敛、计算开销和下游分类指标，区分优化收益与任务收益。该路径不是本文已验证结果，已有 EEG 相关工作尚未检索确认。