利用连续平均在 Wasserstein 空间中高效推断轨迹

基于摘要分析。本文研究如何从动态过程的横截面点云观测中重建连续轨迹，主要背景是计算生物学，而非 EEG 或 BCI。作者提出在 Wasserstein 空间内通过连续平均进行 B-spline 逼近与插值的方法，以保留数据分布的几何结构。 核心机制是将细分方案与基于最优传输的测地线相结合，在所选精度与平滑度下进行轨迹推断。摘要称该方法能够自动处理粒子随时间发生分裂的情形，并提供收敛保证；具体平均算子、最优传输求解方式、平滑性条件和计算成本尚未验证，不能仅凭标题认定其效率优势。 作者报告，在具有分叉与合并结构的模拟细胞数据上，与先进的轨迹推断及插值方法进行了比较，结果支持所提方法的有效性以及尊重数据内在几何进行插值与逼近的益处。摘要未给出具体基线名称、样本规模、评价指标或数值，实验协议、消融及统计信息尚未验证。复现需进一步核对点云及权重的定义、时间采样方式、收敛条件与实现细节。 平台推测（待验证）：若将不同时间窗的 EEG 特征表示为同一特征空间中的经验分布，Wasserstein 插值可能用于描述状态分布的连续变化，对应稀疏时间观测下的分布轨迹重建问题，而非直接恢复单条 EEG 波形。可复用的是最优传输测地线与细分机制；需改造的是 EEG 特征表示、距离度量及时间窗构造。低信噪比、通道差异和跨被试分布偏移可能使传输匹配失真，小样本也可能导致经验分布不稳定。一个可检验的小实验是在被试内留出中间时间窗，仅用其前后时间窗重建特征分布，与线性插值比较对真实留出分布的重建误差；这不能直接证明 BCI 解码收益。已有 EEG 相关工作尚未检索确认。