通过 Bures-Wasserstein 空间中的 JKO 实现前向—后向高斯变分推断

基于摘要分析。本文研究如何在高斯分布族中最小化相对于目标分布 π 的 Kullback-Leibler（KL）散度，提出（随机）前向—后向高斯变分推断算法（FB-GVI）。主要贡献是利用高斯分布空间的几何与目标函数的复合结构构造求解方法，并在不同正则性条件下建立收敛保证。 核心机制是将配备 Wasserstein 距离的高斯分布族视为 Bures-Wasserstein（BW）空间，把 KL 目标分解为光滑的势能项与非光滑的熵项，从而采用前向—后向优化思路。标题指出方法通过 JKO 实现，但摘要未展开其具体更新公式、随机估计方式及计算代价。 理论结果方面，作者报告：当 π 满足对数光滑与对数凹条件时，算法具有作者所称的当前最优收敛保证；当 π 仅满足对数光滑条件时，作者声称首次给出收敛至一阶驻点的保证。后一结论不能等同于达到全局最优；具体收敛速率、所需假设及与既有方法的比较尚需核对全文。 本文主要对象是通用概率推断与优化，而非 EEG 或 BCI。摘要未提供具体应用、实验数据或数值结果；实验协议、消融及统计信息尚未验证。尚未检索确认已有 EEG 相关工作，不能据此认定其能改善神经信号建模。复现前需核对算法更新、初始化、步长条件与理论假设。