通过自适应恒温器进行状态空间模型的贝叶斯辨识

基于摘要分析。本文研究非线性状态空间模型的贝叶斯辨识，旨在缓解参数后验推断的计算困难，同时保留贝叶斯建模对参数不确定性的量化能力。作者提出以自适应 thermostat（恒温器）为基础的方法，并结合粒子滤波平滑估计的去偏技术，为后验采样提供所需的无偏梯度估计。 核心机制是模拟一个随机微分方程，使其极限分布对应参数后验分布。该 thermostat 的模拟需要对数后验梯度的无偏估计；作者利用已有的粒子滤波平滑估计去偏方法满足这一要求。因此，主要方法价值在于连接隐状态推断中的梯度估计与参数后验采样，而非提出用于 EEG 的解码模型。具体随机微分方程、去偏构造及其成立条件尚未验证。 作者报告，在摘要所述数值实验中，该方法相较于在 thermostat 内直接使用有偏粒子滤波梯度估计具有明显收益。摘要未提供实验模型、数据规模、评价指标或具体数值，尚不能判断收益主要体现于后验估计精度、采样效率还是其他方面；实验协议、消融及统计信息尚未验证。复现需进一步核对梯度估计的计算代价、采样离散化设置、收敛诊断及对照方案。 平台推测（待验证）：若 EEG 分析任务已采用非线性状态空间模型描述潜在动态与观测信号，这一机制可能用于评估参数后验不确定性。可复用的是去偏梯度估计与 thermostat 采样的组合，需改造的是 EEG 的状态转移、观测模型及噪声假设。低信噪比、模型失配、通道差异与小数据可能使粒子推断不稳定或计算代价过高。一个可检验的小实验是在具有已知参数的合成 EEG 状态空间模型上，以相同计算预算比较有偏与去偏梯度方案的后验估计误差和区间覆盖率。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。