面向非平稳高维动力系统的高效变换高斯过程状态空间模型

基于摘要分析。该研究针对高斯过程状态空间模型（GPSSMs）在高维动力系统中计算与参数复杂度较高、对非平稳动态建模受限的问题，提出高效变换高斯过程状态空间模型 ETGPSSM。主要贡献是将单个共享 GP 与输入依赖的 normalizing flows 结合，并通过变分推断与集成卡尔曼滤波（EnKF）实现隐式过程推断和潜在状态估计。 核心机制：摘要指出，现有 GPSSMs 使用多个相互独立的平稳 GP；ETGPSSM 改用共享 GP，再借助输入依赖的 normalizing flows 构造具有非平稳表达能力的隐式过程先验，以刻画复杂状态转移并降低模型复杂度。其变分算法联合近似底层 GP 与定义 flows 的神经网络参数的后验；EnKF 被纳入变分框架，以避免对潜在状态进行显式变分参数化。具体目标函数、flow 结构、观测模型及计算复杂度尚未验证。 结果与证据边界：作者报告，在合成及真实世界数据上的评估中，ETGPSSM 在系统动态学习、高维状态估计和时间序列预测方面，相比现有 GPSSMs 与基于神经网络的 SSMs 具有计算效率和准确性优势。摘要未提供数据集名称、划分、具体基线、指标或数值，因而不能量化优势，也不能判断其适用规模；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时变动态可由潜在状态转移与观测过程有效描述，共享 GP 加输入依赖变换可能为非平稳时序建模提供可测试的路径，但原领域结果不等于 BCI 有效。可复用的是转移先验与推断框架，需改造的是 EEG 观测模型、通道映射及任务输出；模型对时间序列结构、监督方式和数据规模的具体要求仍需全文核对。低信噪比、伪迹、跨被试差异及小数据可能使状态估计或 flow 学习不稳定。一个可证伪的小实验是在固定通道、严格按时间分割的 EEG 数据上，比较 ETGPSSM 与平稳 GPSSM 的预测误差、预测不确定性校准及运行成本，检验收益是否在非平稳片段中仍成立。已有 EEG 相关工作尚未检索确认。