用于 Hilbert 空间上泛函插值的神经网络

基于摘要分析。本文研究 Hilbert 空间上的泛函插值，将通常在欧氏空间 R^n 中讨论的神经网络插值问题扩展到 Hilbert 空间。作者建立 Hilbert 前馈神经网络，并报告通过构造性证明给出直接确定网络权重和偏置的方法，区别于迭代训练算法。 技术上，摘要将所用非线性函数限定为有界、且在某一无穷远方向存在极限；具体函数类别、插值定理的完整假设及构造步骤尚未验证。这里的贡献是特定条件下的插值构造，而非已验证的预测泛化能力或训练效率提升。网络结构、插值节点条件、计算复杂度、数值误差，以及实验协议、消融及统计信息尚未验证，不能据此认定该方法优于迭代训练。 平台推测（待验证）：若将多通道 EEG 时间窗表示为 Hilbert 空间中的函数元素，该方法可能为从函数型输入到标量目标的插值提供数学参照，对应的是信号函数表示与小样本拟合问题，而非已证实的 BCI 解码改进。可考虑复用其参数构造思路，但需核对有限离散采样是否满足理论条件，并改造通道表示、噪声处理及目标定义。精确插值可能受 EEG 低信噪比、小数据、通道变化和跨被试分布差异影响；原问题成立不等于 EEG 上有效。一个可检验的小实验是：在核对全文条件后，对固定通道的被试内 EEG 标量预测任务采用相同训练与独立测试划分，比较构造式网络和迭代训练基线的测试误差及加噪稳定性，而不只比较训练点插值误差。相关 EEG 工作尚未检索确认。