序贯分层再生：面向大状态空间的 MCMC 及其在子图计数估计中的应用

基于摘要分析。本文研究无法遍历完整图、仅能进行邻域查询时，如何估计图上所有边的有界函数值之和，提出 MCMC 估计器 Ripple，并将其用于连通诱导子图计数估计；主要研究对象是大规模图上的采样估计，而非神经信号或 BCI。 既有方法从种子顶点启动随机游走，以所有边上的均匀分布为平衡分布，从而避免逐边遍历。Ripple 的核心机制是将马尔可夫链状态空间划分为有序层，并采用作者称为 sequential stratified regenerations 的新技术组织估计。作者报告该估计器具有一致性、较强的可并行性与可扩展性；摘要未给出分层构造、再生过程、估计公式及理论成立条件，这些细节尚未验证。 在连通诱导子图计数应用中，作者报告 Ripple 能估计最多含 12 个节点的子图数量；在所展示的、马尔可夫链状态空间规模达到 10^43 的实验情境中，平均计算时间少于 4 小时。该状态空间规模不能等同于输入图的节点数或边数。作者还报告估计准确，但摘要未提供误差指标、具体输入图、硬件与并行资源，以及各基线的对应结果，因此尚不能据此量化精度收益或计算加速幅度。 复现需核对邻域查询接口、分层规则、种子选择、采样预算、停止准则、误差统计及计算资源；实验协议、消融及统计信息尚未验证。材料未提供明确的 EEG/BCI 机制对应关系，不将其图采样结果外推为 BCI 效果；已有 EEG 相关工作尚未检索确认。