锚点空间最优传输：加速多个 OT 问题的批处理

基于摘要分析。本文研究多个概率分布之间需要批量求解最优传输（OT）时的计算开销，提出 Anchor Space Optimal Transport（ASOT），将质量传输限制在学习得到的锚点空间中，以近似原始 OT 问题。贡献包括减少成对成本矩阵的构建、分析近似误差，以及提出三种锚点空间学习方法。 核心机制：作者认为，许多任务中的质量传输集中在原始特征空间的一个较小空间内。ASOT 利用这一结构，通过锚点空间约束传输并消减不重要的传输，降低多个 OT 问题的计算成本。作者报告，在不同条件下证明了 ASOT 与原始 OT 之间的 1-Wasserstein 距离误差上界，并提出三种旨在降低近似误差的锚点学习方法。摘要还指出，该框架有利于利用 GPU 并行处理大小不同的分布，但未提供具体加速倍数、误差数值或评估协议。 证据边界：摘要以图节点分布、图像像素分布说明应用背景，未明确实际实验数据集。锚点学习目标、监督需求、锚点数量、复杂度表达式、误差界成立条件，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 域适应流程需要反复比较多个被试或会话的特征分布，且传输结构可由少量共享锚点近似，则 ASOT 可能用于降低分布对齐成本。可复用的是锚点空间近似 OT 的机制；需改造 EEG 特征、距离度量与锚点学习流程。低信噪比、通道差异、小样本及跨被试偏移可能使锚点无法保留任务相关结构，低质量但关键的类别信息也可能被近似过程削弱。一个可检验的小实验是在固定跨被试划分、仅用训练数据学习锚点的条件下，对照原始 OT 与 ASOT，比较运行时间、显存、OT 近似误差和下游任务表现，并扫描锚点数量。已有 EEG 相关工作尚未检索确认。