通过在线因子化渐近贝叶斯推断进行流式模型选择

基于摘要分析。该研究面向动态变化或异质数据来源下的流式模型选择，提出 online FAB（OFAB）推断框架，使潜变量模型在持续接收观测时动态选择潜变量维度，而非预先固定数据生成过程的复杂度。原论文的主要研究对象是通用潜变量模型，摘要中的应用为密度估计和异常检测，并非 EEG 或 BCI。 核心机制是作者所称的 degeneration：有意考虑一个冗余潜在空间，再利用 FAB 特有的收缩机制，按需导出非冗余潜在子空间。OFAB 将这一机制与随机变分推断结合，以流式、贝叶斯方式进行潜变量维度选择。摘要未给出目标函数、收缩规则、更新方程，以及面对数据分布变化时维度调整的具体行为，这些尚需全文验证。 作者报告，在密度估计和异常检测两类应用中，OFAB 优于所比较的当时先进在线推断方法。但摘要未提供数据集、数据流构造、对照方法名称、指标或数值，因此不能判断优势幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 流中的分布变化可由潜变量复杂度变化部分解释，OFAB 的在线维度选择可能为非平稳信号建模提供参考。可复用的是潜变量收缩与在线变分更新思路，需改造的是 EEG 观测模型及时间依赖处理；该框架依赖所选潜变量模型和持续输入的数据流，并不天然解决跨被试或通道变化。低信噪比和小数据可能使弱任务成分被过度收缩。可检验的小实验是在固定通道、按时间顺序输入的 EEG 数据上，在相同观测模型与更新预算下比较 OFAB 和固定潜变量维度方案，评估后续时段的预测对数似然及维度稳定性。已有 EEG 相关工作尚未检索确认。