无需状态扩增的数值稳健固定点平滑

基于摘要分析。本文研究高斯状态空间模型中对初始状态的固定点平滑，提出一种无需状态扩增的新表述，旨在兼顾数值稳健性与运行效率，服务于初始条件未知的动力系统推断。 固定点平滑不同于估计完整时间序列的固定区间平滑。摘要以时间序列长度 K 为背景，将两者的内存需求分别描述为 O(1) 与 O(K)；这不意味着内存开销与状态维度无关。论文的核心机制是将固定点平滑写成基于 Cholesky 分解、无需 downdates（降阶更新）的形式，同时避免通过状态扩增扩大状态空间模型。具体递推公式及其适用模型条件尚未验证。 作者报告，在摘要所述实验中，该算法的 JAX 实现可达到最快对照方法的运行速度，并具有最稳健对照技术的稳健性。摘要未提供具体测试系统、数值精度、耗时、误差指标或对照名称，因而目前不能判断优势的量级和适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的潜在动力学以高斯状态空间模型表示，且初始隐状态未知，该方法可能复用于初始状态估计；这不等于已验证的 EEG 解码改进。可复用部分是平滑递推，需另行确定 EEG 的状态转移、观测与噪声模型。低信噪比、跨被试及通道变化导致的模型失配，可能使数值稳健性无法转化为估计精度收益；小数据下模型参数估计也可能成为瓶颈。可先在参数和真实初始状态已知的合成 EEG 状态空间序列上，与现有固定点平滑实现比较初始状态误差、数值失败率、耗时及随序列长度变化的内存占用。已有 EEG 相关工作尚未检索确认。