基于 Hilbert 空间高斯过程的序贯贝叶斯求积

基于摘要分析。本文研究概率数值积分中精确序贯 Bayesian quadrature（BQ）的计算成本随函数评估次数增加而上升的问题，提出基于 Hilbert space Gaussian process（HSGP）的可扩展近似方法。主要贡献是将积分估计与采样点选择统一到有限特征空间，并给出覆盖光滑度不匹配及观测噪声的积分误差界。 核心机制是以有限 Laplacian 特征基近似 Matérn 核，在该基上表示求积估计器及面向积分方差降低的采集函数；同时施加几何稳定性约束，以保证序贯采样设计的准均匀性。计算全部在有限特征空间内完成。作者报告，相比全核 BQ，该处理显著降低了每次积分评估的计算复杂度，但摘要未提供具体复杂度表达式或加速数值。 理论分析面向 Sobolev 空间中的被积函数，允许目标函数的光滑度与 Matérn 再生核 Hilbert 空间（RKHS）的光滑度不同，并同时覆盖无噪声与有噪声观测。作者报告，非渐近均方积分误差界显式追踪特征预算、核长度尺度、正则化、采样分辨率和观测噪声，并给出保留相应全核求积收敛速率所需的特征数量条件。此外，理论刻画了不依赖观测响应值的参数序列，以避免反复评估和优化边际似然。 作者报告，数值实验以全核及近似 BQ 方法为基线，支持准确性、特征维度与运行时间之间的预测权衡。摘要未列出具体积分任务、维度、基线名称、误差数值或运行时间，实验协议、消融及统计信息尚未验证。复现时需核对 Laplacian 特征基的构造条件、几何稳定性约束的实现及参数序列的适用范围。 本文的主要对象是通用数值积分，而非 EEG 解码或 BCI 验证；材料未提供其在神经信号任务中的具体使用路径，不能据此推断 BCI 有效性。已有 EEG 相关工作尚未检索确认。