Wasserstein 空间中的镜像下降与预条件梯度下降

基于摘要分析。本文研究 Wasserstein 空间上的泛函最小化，将欧氏空间中的镜像下降与预条件梯度下降推广到概率分布优化，并为新的目标泛函与正则项配对建立离散时间优化方案的收敛保证。主要研究对象是分布空间中的优化几何，应用示例包括病态优化问题和计算生物学中的单细胞对齐，并非 EEG/BCI 方法。 技术核心是利用正则项诱导的几何来适配待优化目标，而非固定使用一种优化几何。作者将相对光滑性与凸性条件适配到 Wasserstein 空间，关键在于选择沿哪些曲线定义和检验这些性质，再据此分析基于 Wasserstein 梯度的离散时间方案。摘要未给出具体更新公式、正则项形式、目标泛函类别或收敛速率，相关定理条件尚未验证。 作者报告，适配正则项诱导的几何在病态优化任务中展现优势；在单细胞对齐任务中，选择不同差异度量与几何能够带来改进。摘要未提供数据集、样本规模、评价指标、对照基线和数值结果，实验协议、消融及统计信息尚未验证，不能据此判断改进幅度或适用范围。 平台推测（待验证）：若 EEG 跨被试域适应被明确建模为特征分布对齐，这类几何自适应优化可能用于改进分布对齐目标的求解；这是假设，不是本文已证实的 BCI 效果。可复用方向是分布空间优化框架，需改造 EEG 特征分布表示、差异度量与正则项，并核对目标是否满足理论条件。低信噪比、小样本及通道差异可能使分布估计不稳定，优化目标下降也不保证任务性能提高。一个可检验的小实验是在固定跨被试划分、特征与对齐目标的前提下，仅比较优化几何，分别评估收敛行为与下游分类性能。已有 EEG 相关工作尚未检索确认；具体复现仍需全文中的算法与实验设置。