面向事件驱动潜在跳变模型的扫描并行变分推断

基于摘要分析。本文研究不规则观测时间序列中有限个未观测冲击的建模问题，提出 latent jump models（LJMs）及 Scan-Parallel Variational Inference（SPVI），将冲击时刻、幅度及其对记忆的影响纳入潜在事件建模，并通过并行扫描降低训练的时间依赖深度。 机制上，LJMs 在 Poisson 驱动的事件之间采用闭式确定性动力学，在事件发生时执行学习得到的瞬时跳变，事件强度与 mark 分布依赖状态。这构成时间齐次 Markov 过程；跳变是模型内生的状态转移，而非数值积分步骤。相较以随机初始状态配合平滑 ODE、或以 SDE 累积 Brownian 扰动的构造，该模型直接表达离散冲击的不确定性。 训练方面，作者推导事件增广的路径空间证据下界（ELBO）。SPVI 先由观测条件化的变分后验采样完整潜在事件配置，再使用三角仿射扫描计算状态递推。作者称该过程具有对数级时间深度；具体变分分布、扫描成立的结构约束及计算开销尚待全文核对。 作者报告，在合成随机系统与真实不规则时间序列上，LJMs 的预测准确性与连续时间潜变量基线具有竞争力，潜在状态更新次数往往少于数值求解器评估次数，训练速度较顺序基线快一至两个数量级。摘要未提供数据集名称、划分、误差指标、硬件与基线配置，实验协议、消融及统计信息尚未验证，不能据此推断 EEG/BCI 效果。 平台推测（待验证）：若 EEG 任务中的稀疏突发变化可近似为潜在事件，事件状态建模与扫描递推可能具有复用价值，但需适配多通道观测及噪声模型。该假设依赖稀疏事件结构是否成立；低信噪比可能导致伪事件，连续振荡、通道差异和小样本也可能削弱建模收益。可先在加入已知稀疏冲击的合成多通道信号上，与平滑连续时间模型按相同观测和计算预算比较预测误差、事件恢复及训练耗时。已有 EEG 相关工作尚未检索确认。