eXponential FAmily Dynamical Systems（XFADS）：大规模非线性高斯状态空间建模

基于摘要分析。XFADS 研究如何在大规模非线性高斯状态空间模型中兼顾推断效率、变分后验灵活性与动力学表达能力，提出低秩结构化变分自编码框架，用于学习能够解释时空结构并进行预测的生成模型。 核心机制是利用基于采样的近似高斯消息传递所产生的协方差结构，结合低秩摊销后验更新，实现近似变分平滑。该框架旨在捕捉对动力学预测重要的稠密协方差，而不是仅以简化后验换取可扩展性。作者报告，其推断时间复杂度随状态维度线性增长；这一表述针对状态维度，不能直接推断为对序列长度、采样数量或全部训练成本均线性。 作者报告，在与其他深度状态空间模型架构的比较中，XFADS 能学习预测能力更强的生成模型；在神经生理记录上，可利用单次试验的一小部分预测神经群体放电及行为相关量。摘要未提供记录模态、数据集、被试或动物数量、数据划分、具体基线与指标，因此不能量化优势，也不能将该结果等同于 EEG 解码或 BCI 有效性。实验协议、消融及统计信息尚未验证；复现还需核对低秩设置、采样配置、观测模型与实现条件。 平台推测（待验证）：若 EEG 中存在可由低维潜在动力学描述的跨通道时序依赖，该协方差建模与平滑机制可能有助于潜在状态估计。可复用部分是状态空间推断及低秩后验更新，需改造部分是适配 EEG 的观测模型、噪声假设与任务读出。低信噪比、伪迹、跨被试分布变化、通道配置差异及小数据可能削弱收益。一个可检验的小实验是在固定被试内划分与相同潜在维度下，对照低秩结构后验和简化协方差后验，比较留出时段预测误差与推断耗时；平滑可访问的数据范围必须与预测任务保持一致。已有 EEG 相关工作尚未检索确认。