空间与时空点过程模型的分治式神经贝叶斯估计

基于摘要分析。该研究面向空间与时空点过程模型的贝叶斯参数推断，针对难处理的似然、高维潜在结构及事件历史依赖带来的计算负担，提出分治式神经贝叶斯估计框架。主要研究对象是时空事件数据，实际应用为美国马萨诸塞州 Cape Cod Bay 的鲸类叫声数据，而非 EEG 或 BCI 信号。 方法直接处理原始点模式实现，将时空域划分为多个区域，使用基于 Transformer 的架构提取局部摘要，再通过注意力机制聚合这些摘要。其机制重点是将局部信息提取与整体参数推断结合，以降低大范围或高密度点模式的处理成本，并减少对预定义摘要统计量的依赖。具体分区规则、跨区域依赖处理、训练目标及区间构造方式尚未验证。 作者报告，模拟研究中该方法能够进行可靠推断，且相较现有通用神经推断方法和经典似然方法具有更好的可扩展性；在鲸类叫声数据分析中，估计器训练完成后可用极低的计算成本输出参数估计与可信区间。摘要未提供具体误差、区间覆盖率、运行时间或训练成本，因此不能量化其优势，也不能将训练后的低成本等同于端到端低成本。 复现时需核对点过程模型类型、先验与训练数据生成方式、分区尺度、对照方法及计算预算，并检查不同事件密度和历史依赖强度下的估计与区间表现。实验协议、消融及统计信息尚未验证；材料未提供 EEG/BCI 验证，不据此推断相关有效性。