通过平方构建减法混合模型：表示与学习

基于摘要分析。本文研究一般概率分布建模：传统混合模型通过相加组合分布，而允许减去概率质量或密度，可能以更少的成分表示复杂分布；难点是如何在学习过程中保证所得函数非负。作者在 probabilistic circuits（概率电路）框架中，通过对允许减法的电路进行平方，研究深层减法混合模型的表示、学习与推理。 核心机制是利用平方保证非负性，并借助概率电路表示张量化混合模型。摘要称该框架还能推广若干其他减法模型，但未列出具体模型。非负性并不等同于概率分布已归一化；归一化处理、学习目标、参数化约束及推理复杂度仍需正文核对。 作者报告，从理论上证明允许减法的平方电路，在表达能力上可比传统加法混合模型具有指数级优势；这一结论针对模型类的表示能力，不应直接理解为训练或推理速度的指数级提升。作者还报告，在一系列真实数据分布估计任务中观察到表达能力增强的实证表现，但摘要未提供数据集、指标、基线配置或具体数值。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 试次表示为固定维特征向量，该机制可用于探索复杂特征分布的紧凑密度建模，而非直接视作已验证的 BCI 解码方法。可复用部分是平方减法电路的分布表示，需改造的是 EEG 特征构造、跨被试尺度处理及任务输出；低信噪比、通道差异和小样本可能使更强表达能力转化为过拟合或训练不稳定。一个可证伪的小实验是在固定被试内训练与测试划分、相同输入特征和相近模型容量下，对照加法混合模型与平方减法电路的留出集对数似然，并记录训练稳定性与推理耗时。该实验仅检验分布估计价值，不足以证明 BCI 解码收益；已有 EEG 相关工作尚未检索确认。