使用基于半空间深度的信息准则考察多元分布之间的差异

基于摘要分析。本文研究多元分布是否偏离指定分布，以及两个多元分布是否相同，提出基于半空间深度的信息准则，将分布差异呈现为二维图形，并据此构造假设检验统计量。研究对象是通用多元分布检验，而非 EEG 或 BCI 解码。 方法上，摘要指出精确半空间深度适用于低维分布，而随机半空间深度不要求限制分布维度；无论原始数据维度如何，所提出的图形工具均为二维图。作者报告建立了检验的一致性，并推导了相邻／局部备择假设下检验统计量的渐近分布，以计算渐近功效。具体信息准则形式、随机半空间的采样方式及其近似误差尚未验证。 作者报告，经验研究中该方法在一系列分布上优于若干既有方法，并将此作为稳健性的支持证据；另以两个真实世界基准数据集展示实用性。摘要未给出数据集名称、样本规模、对照方法、显著性水平或具体结果，因此不能据此判断优势大小及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 试次表示为固定维度特征，该框架可能用于检测跨被试或跨会话的特征分布偏移，而非直接提高解码性能。可复用部分是分布比较与二维诊断工具，需改造部分包括特征表示、时序依赖处理和随机深度的计算预算。低信噪比、通道差异、高维小样本及试次相关性可能降低功效或影响误报控制。一个小规模可证伪实验是：在独立留出的会话中，以保持试次或时间块结构的同分布划分估计误报，再对预先设定的特征均值或协方差扰动测量检出率，并在相同样本量与显著性水平下比较基线。已有 EEG 相关工作尚未检索确认。