通过多实验方程学习（ME-EQL）增强模型发现跨参数空间的泛化能力

基于摘要分析。本文研究如何从基于智能体建模（ABM）的模拟数据中发现可解释的连续模型，并改善方程学习（EQL）在不同参数设置间的泛化能力。其主要贡献是提出多实验方程学习（ME-EQL），利用多个参数设置下的实验数据关联模型发现过程，研究对象是自组织生物系统，而非 EEG 或 BCI。 方法上，one-at-a-time ME-EQL（OAT ME-EQL）先针对每个参数设置分别学习模型，再通过插值连接这些模型；embedded structure ME-EQL（ES ME-EQL）则构建跨参数的统一模型库。前者通过关联独立模型实现参数空间泛化，后者将跨参数共享结构纳入模型库构建。具体候选函数、目标函数、优化方法及插值形式尚未验证。 作者在一个出生—死亡平均场模型，以及一个包含出生、死亡、迁移和空间结构的格点 ABM 上演示了两种方法。作者报告，在从智能体模拟中恢复参数的评估中，两种方法均显著降低相对误差，且 OAT ME-EQL 在参数空间上的泛化更好。摘要未提供具体误差值、对照方法、训练与测试参数区域或统计检验信息，因此无法据此量化优势，也不能判断该泛化主要体现为插值还是外推。 复现时需核对模拟数据生成、各参数设置的采样量、模型库构建、参数空间划分，以及参数恢复误差的计算方式；实验协议、消融及统计信息尚未验证。摘要未提供与神经信号建模的具体对应关系，不能将其结果视为已验证的 EEG/BCI 算法改进；已有 EEG 相关工作尚未检索确认。