高维高斯 Copula 图模型中结构变化的干扰不变检测与边归因

该研究针对仪器漂移或重校准改变通道边缘分布、却未必改变通道间条件关联的问题，提出高维高斯 Copula 图模型中的两阶段结构变化检测与边归因方法。基于摘要分析，未取得论文全文；其目标是监测潜在偏相关图的变化，而非直接提升 BCI 解码性能。 核心假设是观测信号由潜在高斯向量经过逐坐标严格递增变换产生，变换可在未知时刻改变，但在短微块内保持恒定。微块内 Kendall's τ 对这种恒定重校准严格不变，因此分段恒定干扰只会影响跨越变换时刻的微块。作者将不变性主要归于微块划分，并以块内秩统计消除剩余的非线性重校准影响；这一保证不能直接推广到任意漂移或块内持续变化。 第一阶段扫描非结构化、连通及星形变化子图，以图熵设置惩罚，并通过单条记录的超块置换校准。第二阶段采用样本拆分，对候选边进行局部条件偏相关检验，以 Westfall–Young 参考分布开展边归因。当边的邻域超过条件变量数量上限时，归因对象是局部条件关联，而非给定全部其他变量后的条件依赖。 作者报告证明了精确的块内不变性及一致误差界，其中干扰通过跨越变换时刻的微块数量进入；充分检测条件取决于候选子图族基数的对数，而非变化边数量。错误率保证限于全部候选边均满足零假设时的族错误率控制；摘要明确指出，强控制及存在时间依赖时连续超块置换的有效性尚未建立，同时报告了带有已证明界的留间隔变体。 作者报告在五个公共数据集上使用同一套冻结协议，覆盖临床 EEG、BCI、化学传感器计量、状态监测及半导体过程控制；唯一依赖数据的部分是预先规定的、按记录长度设置窗口的规则。在真实 EEG 注入重校准的实验中，480 个“被试×对齐方式”案例均未将警报定位在注入位置，而匹配的 Pearson 对照约有一半案例出现这种定位。该结果支持特定注入协议下对重校准的鲁棒性，不等于全面验证真实结构变化的检出率或边归因准确率。 复现时需核对微块及超块设置、时间依赖处理、样本拆分、条件变量上限、注入变换与对齐规则，以及检出能力和边归因的评估协议。数据集名称、被试数、完整指标、消融及统计信息尚未验证，代码可用性也尚未验证。