非线性动态模型学习的空间填充输入设计：一种 Gaussian Process 方法

基于摘要分析。本文研究非线性系统辨识中的输入设计问题：相较于最小化估计参数方差，作者更关注通过覆盖指定兴趣区域，提高模型对外推与插值误差的稳健性。核心贡献是在联合输入—状态空间上设置 Gaussian Process（GP）先验，利用 GP 后验方差构造促进空间填充的代价函数，以生成更具信息量的数据集。 机制与证据：该方法将输入设计目标与输入—状态空间的覆盖程度联系起来，而非仅围绕参数估计精度优化。作者报告，从理论上证明了最小化所构造的代价函数可使所得数据具备空间填充性质，并在一个学术示例及一个 mass-spring-damper（质量—弹簧—阻尼器）示例中展示了策略的有效性。摘要未提供定量指标、对照基线或具体采样预算，不能据此判断性能提升幅度。状态如何获得、GP 核函数与超参数、输入约束、代价优化过程、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 实验能够定义可控刺激或任务输入，并构建可估计的神经状态表征，该机制或可用于研究采集条件覆盖不足的问题，而非直接作为 EEG 解码算法。可复用部分是基于 GP 后验方差的覆盖目标；需改造部分包括状态表征、刺激安全约束及对跨被试差异和非平稳性的处理。该迁移依赖有意义的输入—状态坐标及足够可靠的状态估计；低信噪比、通道变化和小数据可能使后验不确定性更多反映噪声或表征偏差，而非值得探索的状态区域。 一个可检验的假设是：在刺激次数相同且满足安全约束的条件下，比较该策略与随机或均匀输入设计，检验其是否改善预先定义的状态空间覆盖，并降低留出条件下的动态预测误差。此建议不代表已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。