用于协方差先验与后验学习的自洽随机插值

基于摘要分析。研究针对一种协方差逆问题：每个观测协方差估计来自少量 Gaussian 样本，背后各有真实协方差，但训练时从未见到干净协方差。作者提出用在自身重建结果上训练的条件随机插值构造后验采样器，将分布层面的期望最大化迭代转化为可执行算法，以学习协方差先验并对给定噪声估计进行后验采样。 核心前提是采样机制已知且可模拟：真实协方差从未知先验中抽取，再经采样噪声通道形成观测估计。算法试图逆转这一模糊过程，而每轮迭代所需的当前先验后验采样由条件随机插值提供。摘要给出两个版本，均以完整矩阵的后验为目标：一个直接输运矩阵；另一个针对旋转不变先验，仅学习特征值分布，再依据显式条件分布抽取相对取向。作者称后一补全步骤不引入额外分布误差，这不等于整个学习算法没有误差。 作者报告，在所研究问题中，可辨识性恰好要求每个协方差估计使用的样本数不少于维度；同时，可观测层面的进展弱于真实先验恢复，后者还需要进一步条件。具体定理假设、恢复条件、训练目标、迭代稳定性和计算成本需查阅全文核对，不能仅凭该样本数条件推断实际训练必然成功。 作者报告，合成实验可仅凭噪声估计恢复旋转不变及结构化先验，并在 EEG 与市场记录上通过后验改善校准和决策。摘要未提供 EEG 任务、数据集、被试数、协方差构造方式、数据划分、对照基线或指标数值，因此不能将这些结果改写为已验证的 BCI 解码提升。复现时应优先核对真实记录与 Gaussian 采样假设的对应关系、样本数相对维度的位置，以及校准和决策的具体定义；实验协议、消融及统计信息尚未验证。