配对数据 Gaussian graphical models 搜索空间的探索

基于摘要分析。本文研究两组相互依赖、共享相同变量的观测数据如何学习 Gaussian graphical model，主要贡献是为适用于配对数据的 coloured Gaussian graphical models 引入 twin order，利用其格结构改善模型搜索，而非提出状态空间模型或 BCI 解码方法。 通常，图模型按子模型包含关系排序，形成 model inclusion lattice。作者报告，在 twin order 下，模型空间同样构成格，且具有前者不具备的分配性。作者进一步给出模型邻居的计算规则，并报告这些操作比 model inclusion lattice 中的对应操作更高效，可用于改善贪心及 Bayesian 模型搜索。摘要未给出该顺序的形式定义、约束表示或复杂度界，具体效率来源仍需正文核对。 作者实现了逐步后向消除程序，并在合成与真实数据上评估。摘要未提供真实数据名称、样本规模、对照配置、评价指标或数值结果，因此不能判断效率提升幅度、结构恢复质量及其权衡；实验协议、消融及统计信息尚未验证。复现需核对模型约束、邻居生成规则、消除准则及停止条件，代码可用性尚未验证。 平台推测（待验证）：若 EEG 研究具有同一被试两种条件下的配对观测，且两组变量对应关系明确，并适合使用 Gaussian graphical model 描述条件依赖结构，该搜索机制可能用于比较条件间的图结构。可复用部分是模型排序与邻居枚举；需改造的是 EEG 特征构建、配对约束及模型选择准则。低信噪比、通道对应不一致、被试异质性及小样本协方差估计不稳定均可能限制效果。一个可检验的小实验是在已知配对图结构的模拟数据上，保持模型评分与停止条件一致，对比两种顺序下的搜索耗时、访问模型数及结构恢复质量，再决定是否进入 EEG 验证。已有 EEG 相关工作尚未检索确认。