任意潜在流形上向量场的隐式高斯过程表示

基于摘要分析。该研究针对现有流形高斯过程通常要求预先知道数据底层流形的问题，提出 RVGP，在潜在黎曼流形上学习向量信号，并应用于从低密度 EEG 恢复高密度神经动力学。主要研究对象是非欧几里得域上的向量场建模，EEG 重建与疾病状态分类是其应用验证，而非直接的 BCI 控制任务。 方法以与切丛相关的联络拉普拉斯算子的特征函数进行位置编码，这些特征函数可由常见的基于图的数据近似方法导出。相较于依赖已知流形的既有方法，RVGP 的核心贡献在于对潜在流形上的向量信号进行建模。作者报告，该方法具有流形上的全局正则性，能够在保留向量场奇点的同时完成超分辨率重建与缺失区域补全。 在 EEG 应用中，作者使用健康个体和阿尔茨海默病患者的低密度 EEG 记录重建高密度神经动力学。作者报告，向量场奇点是重要的疾病标志物，基于重建结果进行疾病状态分类可获得与高密度记录相当的 Accuracy。摘要未提供具体数值，也未说明通道配置、被试规模、数据划分及分类基线，因此不能据此判断跨被试泛化能力或临床诊断效用。 复现时需核对图构建、切空间与联络拉普拉斯近似、GP 核及超参数、低密度采样方式，以及奇点保真的评估标准；还需确认高低密度记录的对应方式和疾病分类协议。实验协议、消融及统计信息尚未验证，代码与数据可得性亦尚未验证。低密度 EEG 重建结果不应直接解释为已验证的 BCI 性能提升。