DVSI：具有高维状态的动态变分系统辨识

基于摘要分析。该研究针对高维非线性随机 Markov 动力系统的辨识问题：在缺乏物理知识、状态转移模型（STM）没有已知解析结构时，通过已知测量模型从含噪观测中学习神经网络 STM。作者提出 Dynamical Variational System Identification（DVSI），联合学习 STM 与状态轨迹的摊销后验，以缓解粒子滤波系统辨识在高维状态下的维数灾难。 核心机制是基于 Transformer 的动态变分推断，通过最大化证据下界（ELBO）训练模型。作者构建了四种 DVSI 方法，覆盖自回归与因子化后验、平滑与滤波后验两组设计选择。这些选择涉及轨迹依赖的表达方式以及推断时可利用的观测范围；具体因子化形式、时间信息约束、损失实现及训练流程尚未验证。 作者报告，在随机 Lorenz-63、Lorenz-96 系统及真实 MEG 数据上评估了 DVSI，所研究系统最多包含 200 个状态变量；作者指出，可微粒子滤波（DPFs）在这一高维场景下存在显著限制。摘要未提供各系统的状态维度分配、MEG 被试与测量模型、数据划分、评价指标、误差数值或计算成本，因而不能确认优势幅度，也不能将系统辨识效果等同于 BCI 解码效果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具备可用的测量模型及足够的连续时序数据，DVSI 的联合动力学学习与轨迹后验推断可能用于潜在状态估计；可复用部分是变分推断框架，需要改造的是 EEG 测量模型、噪声假设及状态定义。低信噪比、跨被试与通道差异、小数据规模可能使测量模型失配或状态难以辨识。一个可检验的假设是：在固定测量模型、按连续时间段划分训练与测试数据的 EEG 小规模实验中，DVSI 相比 DPF 能改善留出片段的观测预测表现；平滑与滤波方案应分开比较，不能直接以离线平滑结果支持在线 BCI。相关 EEG 工作尚未检索确认。