非线性状态空间模型的递归熵变分推断

基于摘要分析。本文研究非线性、非高斯状态空间模型中的状态估计，提出基于变分拉格朗日表述的推断框架，将贝叶斯推断写成满足动态一致性约束的一系列熵信赖域更新，并据此导出前向—后向算法族。 核心机制是通过变分后验的不同因子分解确定算法结构。作者重点采用 Gauss–Markov 近似以构造递归计算方案，并以广义统计线性回归和 Fourier–Hermite 矩匹配处理一般非线性、非高斯模型，使递归方程闭合。摘要声称这些方案具有有利的计算复杂度，但未提供具体复杂度表达式、误差界或运行时间结果，尚不能判断其相对现有滤波与平滑方法的收益。 摘要未给出实验任务、数据集、对照方法及定量指标；实验协议、消融及统计信息尚未验证。复现需进一步核对熵信赖域的定义与求解、动态一致性约束的实现、变分后验因子分解，以及矩匹配的近似精度和计算代价。 平台推测（待验证）：若 EEG 任务可明确建模为潜在状态随时间演化、观测由非线性或非高斯过程产生，该框架可能用于连续潜在状态估计，而非直接作为分类模型。可复用的是递归推断框架，需改造的是状态转移模型、EEG 观测模型及其参数估计。低信噪比、跨被试与通道差异可能造成模型失配；Gauss–Markov 近似也可能难以表达多峰后验，小数据下模型参数估计可能不稳定。一个可证伪的小实验是在已知潜在轨迹的模拟多通道 EEG 观测上，固定生成模型与参数信息，对比该方法和扩展卡尔曼滤波的状态估计误差及运行时间，并逐步增加观测噪声与模型失配。相关 EEG 工作尚未检索确认，上述路径不构成已验证的 BCI 效果。