Kernel Packet 的一般理论：从状态空间模型到紧支撑基函数

基于摘要分析。本文研究 Gaussian process（GP）的状态空间（SS）表示如何与核函数的局部化构造联系起来，提出一般右 Kernel Packet（KP），并结合左 KP 构造紧支撑基函数，为高效 GP 预测及核运算提供理论框架。主要研究对象是 GP 协方差与状态空间表示，而非 EEG 解码或 BCI 系统。 核心机制是对相邻采样点对应的协方差函数作线性组合，使其在指定区间外连同若干阶导数一起消失。作者报告证明：m 维 SS 表示与一般右 KP 等价；右 KP 使用 m+1 个连续点，使组合在左侧区域的第 0 至 m−1 阶导数为零。通过后向 SS 表示得到左 KP，再组合左右构造，可产生 m 个支撑于 (t₀,t₂ₘ) 内的 KP 函数。这种紧支撑结构是其局部计算能力的关键。 摘要以 n 个数据点下 SS 表示可将 GP 训练与预测时间降至 O(n) 为背景；作者报告 KP 可进一步将预测时间降至 O(log n) 或 O(1)，并支持 GP 导数、核乘积，以及散点数据上的多维加性核和乘积核。两种预测复杂度分别需要什么条件、预处理与存储成本如何、哪些协方差满足理论前提，摘要未充分说明；实验协议、消融及统计信息尚未验证，不能据此认定任意 GP 都可实现常数时间预测。 平台推测（待验证）：若 EEG 时间序列所用协方差具备适用的有限维 SS 表示，KP 可能用于加速 GP 平滑、插值或导数估计，而不是直接替代解码模型。可复用的是核变换与局部预测机制；多通道相关性、跨被试变化及非平稳噪声则需要另行建模。低信噪比和小数据可能使核参数估计不稳定，抵消计算收益。一个可检验的小实验是在同一被试内、固定训练与测试划分及协方差设置下，对比常规 GP、SS 实现与 KP 实现的插值误差、预测延迟和预处理成本。已有 EEG 相关工作尚未检索确认。