连续空间网络模型中最大似然估计的一致性

基于摘要分析。本文研究连续潜在空间网络模型中的嵌入恢复问题：每个节点对应潜在空间中的一个点，节点间连边概率随潜在距离增大而降低，目标是从观测图恢复节点的潜在位置。核心贡献是在特定对称性与光滑性假设下，为最大似然嵌入建立渐近一致性依据。 理论机制方面，作者报告，随着节点数增长，潜在位置的对数似然满足一致收敛，并由此推出最大似然嵌入在某种信息论意义上收敛到真实位置。摘要未给出该信息论意义的具体定义，因此不能将其直接解释为逐节点坐标的精确恢复，也不能据此推断收敛速率、有限样本误差或优化算法的保证。相关假设、潜在空间的允许结构及位置可辨识性的处理尚未验证。 该结果针对以距离决定连边概率的图模型，并非一般状态空间模型或神经信号解码方法。作者将恢复潜在空间分布、进而恢复任意大规模图的分布列为后续工作，不能视为本文已完成的贡献。全文中的证明细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 功能连接图能够合理满足上述距离型生成假设，该理论可能帮助审视图嵌入的可辨识性与统计一致性；但 EEG 连接估计噪声、通道数量有限及跨被试差异是否符合其渐近条件仍不明确，不能外推为 BCI 性能保证。已有 EEG 相关工作尚未检索确认。