用于贝叶斯神经网络的函数空间贝叶斯伪核心集

基于摘要分析。本文研究如何用紧凑的合成数据集，即 Bayesian pseudocoreset，保留大规模数据集的关键信息，以支持可扩展的贝叶斯推断。核心贡献是将伪核心集后验的构建与匹配从模型权重空间转移到函数空间，而非提出 EEG 或 BCI 专用方法。 传统方法通常最小化伪核心集条件后验与完整数据条件后验之间的散度，但深度神经网络的高维参数使该散度难以评估。本文在函数空间中构建伪核心集后验的变分近似，并与完整数据的函数空间后验进行匹配。作者提出，这一路径可能绕开权重空间中可扩展性受限与多模态带来的部分困难；摘要未提供定量结果，因此不能据此确认效率或预测性能提升。具体散度、变分分布、函数评估位置、合成数据优化方式，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 解码使用贝叶斯神经网络，且训练数据可由少量合成样本近似表示，函数空间后验匹配可能为数据压缩及后验近似提供方法参考。可考虑复用后验匹配思路，但需适配 EEG 的时序与通道结构，并明确合成样本及标签的表示方式。低信噪比、跨被试分布差异、通道配置变化与小数据条件，均可能使压缩后的数据难以保留有效信号和预测不确定性。一个可检验的小实验是在固定被试内划分、相同贝叶斯网络及合成样本预算下，对比函数空间与权重空间伪核心集，并以完整数据推断为参照，检查预测性能、校准及计算成本。该迁移假设不是已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。