Beta 过程的截断逆 Lévy 测度表示

基于摘要分析。本文研究贝叶斯非参数学习中 beta process 的有限截断表示，提出截断逆 Lévy 测度表示（TILe-Rep），将原本仅适用于特殊超参数的递减原子权重表示扩展到一般超参数。 技术贡献集中在先验的表示与截断，而非神经网络表征学习。摘要指出，现有推断方法依赖具有递减原子权重的 stick-breaking 表示；TILe-Rep 衔接了 Teh et al.（2007）与 Paisley et al.（2010）的两种 stick-breaking 表示。作者报告，相较其他 beta process 顺序表示，TILe-Rep 的截断误差更低，并认为它可能有助于获得贝叶斯因子模型的后验一致性；后者在摘要中仍是潜在性质，不能视为已经证明的结论。 作者在 beta process factor analysis model 和 beta process sparse factor model 中展示该表示的用法。摘要未提供具体数据、截断规模、误差界形式或定量结果，因而尚不能判断其计算成本与精度之间的权衡。理论假设、对照设置、实验协议、消融及统计信息尚未验证，复现所需实现细节也需查阅全文。 材料未涉及 EEG 或 BCI，也未给出明确的神经信号任务对应机制；其原领域贡献应作为贝叶斯非参数建模方法理解，不能据此推断跨被试泛化或解码性能收益。已有 EEG 相关工作尚未检索确认。