混合 Poisson 扩散模型及其在后验采样中的应用

基于摘要分析。本文面向观测为离散 Poisson 分布的逆问题，提出 Mixed Poisson Diffusion Models（MPDM），以多元计数过程驱动加噪动态，并据此构建后验采样框架、推导若干后验采样算法。其主要研究对象是 Poisson 观测下的概率建模与逆问题求解，而非 EEG 解码或 BCI。 机制上，常见连续数据扩散模型采用 Gaussian 加噪过程，相关逆问题方法也多围绕确定性前向算子叠加 Gaussian 噪声的观测模型展开。MPDM 则从 Poisson 生成动态出发，使扩散建模与离散计数观测的统计结构相衔接。摘要未提供具体训练目标、反向生成过程、后验更新公式，以及前向算子和先验数据的要求，尚不能判断各采样算法的实现差异与计算代价。 作者报告，该框架在贴近实际的 Poisson 逆问题上得到评估，并适合处理此类问题；摘要未列出任务、数据集、对照方法、指标或数值，因此无法量化其相对优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在复用点是计数噪声条件下的生成先验与后验采样，而非通用 EEG 去噪。常规 EEG 为连续电位信号，不能直接视作 Poisson 观测；是否存在适配的神经计数数据或明确计数观测算子，需要另行评估。已有 EEG 相关工作尚未检索确认，目前不足以提出具体 BCI 复现实验。