关注邻域：利用局部相空间信息训练具有统计准确性的混沌系统模型

基于摘要分析。本文研究混沌动力学的数据驱动代理建模：微小建模误差会使轨迹偏差指数增长，因此长期逐点预测并非唯一评价目标。作者提出利用局部相空间信息训练代理模型，将反映局部扩张与收缩的 Jacobian 准确性，与长期统计行为的准确性联系起来。 核心机制是在相空间中构造混沌吸引子的局部覆盖，并分析这些覆盖在动力学作用下的扩张与收缩。训练目标是最小化代理动力学与真实动力学作用于这些覆盖后所得推前分布之间的最大均值差异（maximum mean discrepancy，MMD）。其方法定位不同于仅匹配 Jacobian 或仅关注长期统计行为的训练路线，但覆盖构造、邻域尺度、分布采样及具体模型形式尚未验证。 作者报告，在摘要未列明的实验系统与评估协议下，该方法显著提高 Jacobian 准确性，同时在统计准确性方面保持与先进动力学学习方法的竞争力；作者还报告其计算开销为不随系统维度变化的常数倍。具体指标、基线、开销参照、消融及统计信息尚未验证。摘要提供了代码地址，但代码可运行性、依赖与复现条件尚未核对。 平台推测（待验证）：若 EEG 的某种状态表示能够支持稳定的局部邻域与动力学转移估计，该分布匹配机制或可用于研究局部动力学与长期统计特征的一致性；这是假设，并非已证实的 BCI 效果。可复用的是局部覆盖与 MMD 匹配思路，需改造的是 EEG 状态表示、邻域定义和参考转移估计。低信噪比、非平稳性、跨被试差异及小数据可能使邻域结构失真，且 EEG 是否满足相应混沌动力学假设需单独检验。一个可证伪的小实验是在固定被试内划分和同一代理模型下，对比加入该目标前后的独立测试集统计特征与局部扰动响应误差，检验二者能否同时改善。已有 EEG 相关工作尚未检索确认。