SF-SFD：通过随机优化 Fourier 系数生成空间填充设计

基于摘要分析。该论文研究高维空间中如何以可承受的计算成本生成空间填充设计，提出 SF-SFD，通过随机优化 Fourier 系数、更新高维分布函数来改善采样点的空间覆盖。主要研究对象是通用高维采样与设计问题，并非神经信号建模或 BCI 解码。 机制与对照：作者将维度灾难导致的确定性设计生成成本，以及朴素均匀随机采样面临的测度集中问题作为动机，并指出 Sobol sequences 与 Latin hypercube designs 在高维空间中也存在适用限制。标题明确了 Fourier 系数的随机优化路径，但摘要没有给出分布函数的参数化、优化目标、约束、更新规则或计算复杂度，这些技术细节尚未验证。 结果与证据边界：作者报告，在高维问题、生成中等规模空间填充样本的评估背景下，该方法按 discrepancy 指标可以优于 Latin hypercube sampling 和 Sobol sequences。摘要未提供具体维度、样本规模、discrepancy 定义、数值结果或运行成本；实验协议、消融及统计信息尚未验证，因此不能将这一结论推广为所有高维采样任务上的优势。 平台推测（待验证）：假设 EEG/BCI 流程包含连续超参数搜索或实验参数组合采样，SF-SFD 可能用于改善有限预算下的候选点覆盖，而不是直接提升解码性能。可复用的是采样设计机制，需改造的是参数归一化及离散、条件参数的处理。空间覆盖也未必对应任务收益：低信噪比、被试差异和小数据可能使评估噪声主导采样优势。一个可检验的小实验是在固定 EEG 数据划分、解码器和搜索预算下，对比 SF-SFD、Sobol sequences 与 Latin hypercube sampling 的覆盖度及搜索结果稳定性，并计入设计生成成本。已有 EEG 相关工作尚未检索确认。