仅在无法计算之处学习：对 Gaussian Process 后验的结构化修正

基于摘要分析。该研究面向科学推断中物理信息 Gaussian Process（GP）的规模扩展与非线性信息处理困难，以及扩散模型依赖大量训练数据、难以纳入物理和观测约束的问题，提出结合可处理 Gaussian 参考分布与生成式数据驱动修正的结构化后验框架。 核心机制是先进行均值修正和协方差校准，再选择能够捕捉参考分布偏差的低维子空间，由扩散模型学习针对性修正；其补空间仍保持 Gaussian 分布。该设计不是用生成模型替代整个后验，而是将学习集中于参考模型表达不足的部分。摘要未说明子空间选择算法、修正的训练目标、物理约束的具体注入方式及训练数据规模。 作者报告，在三个科学推断任务中，相比 Gaussian 参考，该方法能够恢复隐藏模态、改善样本结构并降低预测误差。作者报告，与全场生成模型的比较显示，预测精度与计算成本之间的收益和权衡取决于任务。摘要未给出具体任务、数据集、指标数值或计算预算，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 推断中存在可计算的 Gaussian 参考模型，且其非 Gaussian 偏差集中于稳定的低维子空间，可考虑复用“参考后验加局部生成修正”的机制。需改造 EEG 观测模型、噪声建模和子空间选择；低信噪比、跨被试或通道变化可能使偏差不再低维稳定，小数据也可能不足以训练扩散修正。一个可证伪的小实验是在固定被试内划分及相同训练数据预算下，对比 Gaussian 参考、结构化修正与全场生成模型的重建误差、不确定性校准和计算成本，检验局部修正是否确有优势。该假设不属于论文已验证结果，相关 EEG 工作尚未检索确认。