HDP-Flow：用于时间序列状态发现的可泛化贝叶斯非参数模型

基于摘要分析。HDP-Flow 面向动态、非平稳时间序列中的无监督状态发现，试图突破预设固定状态集合的限制，建模数量未知且可变化的潜在状态。其核心贡献是将贝叶斯非参数（BNP）模型与 normalizing flows 结合，并提出可扩展的变分算法，以支持跨数据集的状态迁移和不确定性估计。 机制方面，摘要将 BNP 的适应性与 normalizing flows 的表达能力结合，用于刻画动态、非平稳模式；变分算法旨在改善传统基于采样的 BNP 方法的推断效率。具体先验、状态转移结构、流变换形式、优化目标，以及跨数据集状态共享的实现方式尚未验证，不能仅凭 HDP-Flow 名称推断完整模型结构。 作者报告，在两个可穿戴设备数据集上的评估显示，HDP-Flow 在潜在状态识别上优于已有方法，能够提供状态分布和转移动态的概率信息，并在不同子群体间体现状态可迁移性。摘要同时声称其不确定性校准良好，但未提供数据集名称、样本规模、划分方式、对照基线、性能数值或校准指标；实验协议、消融及统计信息尚未验证。上述结果不能直接视为 EEG 或 BCI 有效性的证据。 平台推测（待验证）：若 EEG 中存在可跨被试共享、但出现频率与分布随个体或会话变化的潜在状态，该机制可能用于探索非平稳性与状态数量不确定的问题。可复用部分是无监督状态发现及概率推断框架；需改造或核对 EEG 特征、通道对齐、时间尺度及状态语义。低信噪比、伪迹、通道差异和小样本可能使模型将噪声或个体差异识别为新状态。一个可证伪的小实验是在同一 EEG 数据集内按被试划分训练与测试，与固定状态模型比较留出被试上的状态稳定性和任务关联性，并仅用测试标签作事后评估。已有 EEG 相关工作尚未检索确认。