Wasserstein 空间中的镜像下降与预条件梯度下降

基于摘要分析。本文研究 Wasserstein 空间中的泛函最小化，将镜像下降与预条件梯度下降从欧氏空间推广到概率分布空间，旨在通过适配目标泛函的几何改善优化过程。主要贡献是调整相对光滑性与相对凸性的概念，为新的目标泛函与正则项配对建立部分基于 Wasserstein 梯度的离散时间算法的收敛保证。 技术核心并非新的时序网络，而是分布空间中的优化几何：正则项所诱导的几何需要与目标泛函相匹配，分析中的关键难点是确定沿哪些曲线要求泛函具有光滑性与凸性。摘要未给出具体更新公式、正则项形式及各项定理的完整假设，因此不能将收敛结论理解为适用于任意分布对齐问题。 作者报告，在病态优化任务中展示了适配正则项几何的优势，并在计算生物学的单细胞对齐任务中展示了选择不同差异度量与几何带来的改善。原论文的应用对象是单细胞对齐，不是 EEG 或 BCI；摘要未提供数据集、样本规模、对照方法或量化指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 跨被试或跨会话对齐能够明确表述为 Wasserstein 空间中的分布泛函优化，则可考虑复用其几何适配与预条件优化思想。该假设依赖可估计的特征分布、明确的对齐目标，以及相关光滑性与凸性条件；EEG 特征表示、差异度量和正则项均需重新设计或核对。低信噪比、通道差异、小样本分布估计误差及类别混合可能使对齐改善并不转化为解码收益。一个可检验的小实验是固定 EEG 特征与跨被试划分，在相同目标和计算预算下比较普通 Wasserstein 梯度方案与适配几何方案，同时评估优化收敛和独立测试被试的解码指标。已有 EEG 相关工作尚未检索确认。