概率测度空间上的优化加速

基于摘要分析。本文研究概率测度空间上的梯度优化加速，提出一种与欧氏空间动量方法相类比的 Hamiltonian flow（哈密顿流）方法，旨在将加速优化的研究从欧氏空间拓展到以概率分布为优化变量的情形。 核心机制是通过哈密顿流构造连续时间优化动力学，而非仅在欧氏参数空间内应用动量更新。摘要未说明所采用的测度空间几何、目标泛函、动力学方程或具体离散算法，因此尚不能判断其与既有概率测度优化方法的精确关系，也不能将该方法直接等同于某种已知加速算法。 作者报告，在连续时间设定下，基于该方法的算法可达到任意高阶的收敛速率，并提供数值示例。这一结果应限定于论文所分析的连续时间框架；其成立所需的正则性、凸性及其他假设，以及速率所对应的误差量尚未验证。该结论不直接意味着离散算法具有同样的收敛阶，也不等于实际运行时间获得相同比例的改善。数值示例的任务、对照基线、计算成本和稳定性信息尚未验证。 本文的主要研究对象是概率测度空间上的优化理论，摘要未提供 EEG 或 BCI 实验依据。是否能用于相关分布优化任务，需要先核对目标函数与数据结构是否满足理论条件，不能由通用优化结果推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。