切片 Wasserstein 空间中的高效梯度流

基于摘要分析。本文研究概率分布空间中泛函最小化的数值求解，提出在配备 sliced-Wasserstein（SW）距离的概率测度空间中构造梯度流，以缓解 Wasserstein 梯度流求解中的计算负担，并提高密度参数化的灵活性。 传统 Jordan–Kinderlehrer–Otto（JKO）方案类似于欧氏空间的近端迭代，但每一步都需要求解嵌套优化问题，高维情况下计算困难。摘要介绍的对照路线 JKO-ICNN 利用 Brenier 定理，以 Input Convex Neural Networks 的梯度参数化密度；作者指出该路线计算成本较高，并存在稳定性问题。本文转而利用 SW 距离具有闭式、可微近似这一性质，使每一步的密度可由任意生成模型参数化，而不再局限于上述 ICNN 路线。 作者主张这一方法更灵活，可减轻计算负担并使更高维问题的求解可行；摘要未提供支持这些主张的具体实验数值。所用生成模型、目标泛函、投影与优化设置、对照协议、消融及统计信息尚未验证，不能据此判断其加速幅度或稳定性改善程度。 平台推测（待验证）：若将 EEG 表征视为经验概率分布，该机制可能用于探索分布演化或对齐，但原论文研究的是通用概率分布优化，并非 EEG 或 BCI。可复用部分是 SW 距离近似与分布迭代框架，需另行设计 EEG 表征、目标泛函及任务信息保留约束；低信噪比、跨被试差异、通道不一致及小数据可能使分布估计不稳，且分布接近不等于解码有效。一个可检验的小实验是在固定 EEG 表征与跨被试划分下，比较 SW 梯度流与 JKO-ICNN 的运行时间、优化稳定性及相同解码指标，检验计算收益是否伴随任务信息损失。已有 EEG 相关工作尚未检索确认。