去噪扩散变分推断

基于摘要分析。本文研究如何为潜变量模型构造更具表达能力的变分后验，提出 denoising diffusion variational inference：在潜空间中引入扩散过程，以拟合复杂后验，并将其用于深度潜变量模型，形成 DiffVAE 算法。原论文的应用包括降维、表示学习，以及从人类基因组推断潜在祖源，并非 EEG/BCI 研究。 核心机制是通过用户指定的加噪过程引入辅助潜变量，将复杂潜变量逐步转换为简单的辅助潜变量；近似后验学习逆转这一过程，训练目标是受 wake-sleep 算法启发的边缘似然下界。其方法重点是增强后验表达能力，而不是仅将扩散模型用于数据生成；具体下界形式、训练流程、采样步骤与计算开销尚未验证。 作者报告，DiffVAE 在降维与表示学习中优于基于对抗训练或可逆流后验的方法，并在 1000 Genomes 数据集的潜在祖源推断任务上超过强基线。摘要未给出具体指标、数值、数据划分及基线配置，实验协议、消融及统计信息尚未验证，无法据此判断优势幅度与适用边界。 平台推测（待验证）：若 EEG 潜变量模型的简单变分后验不足以描述复杂的不确定性，该潜空间扩散后验可作为候选推断模块。可复用部分是辅助变量与逆向去噪推断机制；需另行设计 EEG 观测模型、时间结构及通道处理方式，并核对其监督需求与数据规模。低信噪比、小样本和跨被试分布差异可能使灵活后验拟合噪声或被试特征，迭代推断的开销也需测量。一个可证伪的小实验是在相同 EEG 编码器、解码器与固定被试内划分下，仅替换简单后验与扩散后验，比较留出数据的似然估计、冻结表示的下游任务表现及推断耗时。相关 EEG 工作尚未检索确认。