无需状态扩增的数值稳健固定点平滑

基于摘要分析。本文研究高斯状态空间模型中的固定点平滑，即利用观测估计初始状态，而非恢复完整状态时间序列。作者提出一种新的高斯固定点平滑表述，使算法能够采用无需 downdate（降秩更新）的 Cholesky 形式，同时避免状态扩增，面向初始条件未知的动力系统推断。 摘要将固定区间平滑与固定点平滑区分开来：前者通常通过 Rauch–Tung–Striebel smoother 的变体估计完整时间序列，所述内存复杂度为 O(K)，K 为时间序列长度；后者估计初始状态，所述内存复杂度为 O(1)。这里的常数内存是相对时间序列长度而言，并不意味着计算或存储不依赖状态维度。方法的主要贡献在于数值实现：避免可能影响稳健性的 downdate，也不通过扩增状态来实现固定点估计。具体递推公式、适用模型条件及稳定性分析尚未验证。 作者报告，其 JAX 实现在所评估实验中，运行时间可匹配最快的方法，数值稳健性可匹配最稳健的技术；摘要未提供任务、状态维度、序列长度、对照实现、硬件或误差指标，因此尚不能量化这一权衡改善。实验协议、消融及统计信息尚未验证，代码可获得性也未确认。 平台推测（待验证）：若 EEG 动力学建模确实依赖高斯状态空间假设，且需要从后续观测反推未知初始潜在状态，该平滑递推可能成为可复用的推断模块，但它并非 EEG 解码算法。迁移时需要适配 EEG 的观测模型、噪声协方差及潜在状态定义；低信噪比、模型失配、通道变化和小样本协方差估计都可能削弱收益。一个可证伪的小实验是在已知初始状态的合成状态空间序列中，逐步降低信噪比并增加协方差病态程度，在相同精度与硬件下比较初始状态估计误差、数值失败率、内存和运行时间，再评估是否值得进入 EEG 数据验证。已有 EEG 相关工作尚未检索确认。