通过基于先验的少步传输映射在源空间进行 MCMC 后验采样

基于摘要分析。研究面向只能通过样本获得的隐式先验，提出在生成映射的高斯源空间中进行后验采样的框架，将低成本少步先验传输与后验稳定性保证结合。原研究对象是一般贝叶斯推断及测试时引导，并非 EEG/BCI 解码。 核心机制是用一步或少步 improved MeanFlow（iMF）映射表示先验，再在其高斯源空间执行 MCMC。框架也涵盖广义贝叶斯情形：通过显式正权重（如指数化奖励）对隐式先验重新加权。作者给出精确后验与学习后验之间的 Wasserstein 误差界，将误差关联到总体层面的联合 iMF 与辅助速度损失，并分解为训练次优性和模型类近似误差；误差界所需假设、常数及适用条件尚未验证。 采样方面，作者采用结合预条件 Crank–Nicolson 更新的并行回火，并提出纳入 split Hamiltonian Monte Carlo 的混合变体。作者报告，合成实验中该框架能够准确且高效地近似后验；在 CLIP-guided ImageNet 实验中，可将预训练 iMF 图像先验引导至文本指定偏好。摘要未提供量化指标、计算预算或对照结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 逆问题已有可采样的信号先验及明确似然或正权重，该框架可能用于后验不确定性估计，而非直接替代解码器。可复用的是源空间采样及回火机制，需重新训练适配 EEG 结构的 iMF 先验并定义观测模型。低信噪比、跨被试分布变化、通道变化及小样本先验失配可能削弱效果；图像实验不构成 EEG 有效性的证据。一个可证伪的小实验是在具有已知参考后验的低维合成 EEG 线性逆问题上，在相同计算预算下比较直接信号空间 MCMC 与源空间方案的后验误差和有效样本量。已有 EEG 相关工作尚未检索确认。