从稀疏时空样本学习转移算子

基于摘要分析。本文研究如何从转移算子 A 及其幂 A² 至 Aᵀ 的稀疏条目观测中恢复 A，而非直接从一般时间序列估计算子。核心贡献是将这一非线性逆问题嵌入 block-Hankel 矩阵，转化为低秩矩阵补全问题；摘要指出，即使 A 为满秩，该转化仍可成立。 理论方面，作者针对均匀与自适应随机时空采样模型，以嵌入矩阵的非相干性度量刻画可恢复性。对于图转移算子，这些度量取决于动力学与图拓扑的相互作用。算法方面，作者提出非凸迭代重加权最小二乘法（IRLS），并建立局部二次收敛结论。作者报告，在最优情形下，恢复 n×n、秩为 r 的算子 A 所需时空样本不超过 O(rn log(nT))；这一界不能直接推广为任意满秩算子的同等采样保证。作者还报告实现的空间复杂度为 O(rnT)，单次迭代时间复杂度关于 n 线性增长，并在若干图转移算子的数值实验中观察到理论预测与经验恢复相变吻合。具体算子、噪声条件、初始化、对照、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能为稀疏观测下的 EEG 通道间动力学估计提供数学参考，但其关键前提是可观测或可估计 A 的各次幂条目；常规 EEG 电压序列并不直接满足这一观测模型。可复用部分是 block-Hankel 补全与 IRLS 求解，需改造的是从神经信号构造算子观测及处理噪声的环节。低信噪比、非平稳性、跨被试差异和通道混合可能破坏结构假设，小数据还可能放大算子观测的估计误差。可先在已知图动力学的合成多通道序列中，检验由有限含噪数据估计出的算子幂条目能否支持恢复，再决定是否开展 EEG 验证；这不构成已证实的 BCI 效果。已有 EEG 相关工作尚未检索确认。