面向不规则采样时间序列的神经连续—离散状态空间模型

基于摘要分析。本文研究不规则采样或含缺失观测的时间序列预测问题，提出 Neural Continuous-Discrete State Space Model（NCDSSM），以离散时间观测学习连续时间动力学。主要贡献是用辅助变量分离识别过程与动力学建模，并结合连续—离散滤波理论推断潜在动态状态。 机制上，NCDSSM 仅对辅助变量使用摊销推断，动态状态则通过连续—离散滤波方法进行贝叶斯推断。作者提出三种潜在动力学参数化方式，以及在推断过程中边缘化动态状态的高效训练目标。摘要未给出三种参数化的具体形式、训练目标公式或滤波实现，相关细节尚未验证。 作者报告，在跨多个领域的若干基准数据集上，NCDSSM 相比现有模型改善了缺失值插补与预测表现。摘要未列出数据集名称、采样与缺失设置、划分协议、对照模型、指标及数值，因此目前只能确认作者报告的定性结论，不能据此判断优势幅度或适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于存在丢包、缺失片段或异步观测的 EEG 时间序列；原论文的主要对象仍是通用动态时间序列，并非 EEG 或 BCI。迁移假设依赖于观测时间戳可用、潜在连续动力学能够刻画信号变化，以及观测模型能处理多通道结构。可考虑复用连续—离散状态推断框架，但需改造 EEG 观测映射与噪声模型；低信噪比、通道缺失、跨被试分布差异和小数据条件可能削弱状态估计与预测稳定性。 一个可检验的小实验是在固定被试内数据划分下，仅对输入观测施加受控随机缺失或连续片段缺失，以保留的真实观测评估插补，并在相同预测窗口下比较 NCDSSM 与常规插补后预测流程；所有方法使用一致的可见观测与训练预算。该实验只能检验信号建模迁移假设，不能直接证明 BCI 解码收益。已有 EEG 相关工作尚未检索确认。