Gaussian–Multinoulli 受限玻尔兹曼机：GRBM 的 Potts 模型扩展

基于摘要分析。该研究面向类比回忆、结构化记忆等需要离散结构表示的任务，提出 Gaussian–Multinoulli Restricted Boltzmann Machine（GM-RBM）：将 Gaussian–Bernoulli RBM（GB-RBM）的二值隐藏单元替换为具有 q 个类别状态的 Potts 单元，以表达多值概念，而非针对 EEG 或 BCI 建模。 机制上，作者给出能量函数、条件分布和学习规则的推导，并采用结合温度退火的对比散度训练及槽内多样性约束，以避免状态塌缩。摘要说明推理仅使用 Gibbs 更新，但具体能量形式、温度调度与约束实现尚未验证。 为区分架构变化与潜在容量增加的影响，作者设置容量匹配和参数匹配评估，并与具有相同潜在赋值数量的 GB-RBM 比较。作者报告，在类比回忆和结构化记忆基准中，GM-RBM 在等容量条件下取得有竞争力、且在若干设置中更好的回忆表现，训练成本相近。摘要未提供具体数据集名称、指标数值或划分信息，实验协议、消融及统计信息尚未验证；类别表示易于高效实现的判断也需结合正文实现细节核查。 平台推测（待验证）：若 EEG 特征中的重复模式适合由多状态离散因素描述，Potts 隐变量可能成为连续特征的结构化表示模块；这是假设，并非已证实的 BCI 效果。可复用类别隐变量与采样训练机制，但需适配 EEG 特征、时间结构及归一化方式。低信噪比、跨被试分布差异、通道变化和小样本均可能使类别状态不稳定或塌缩。一个可证伪的小实验是，在固定 EEG 特征和相同下游分类器下，分别按容量匹配、参数匹配比较 GM-RBM 与 GB-RBM，并独立报告被试内及跨被试结果，检验收益是否超出容量因素。已有 EEG 相关工作尚未检索确认。