具有层次 Gaussian process 先验的时空结构化稀疏回归

基于摘要分析。该研究面向稀疏信号中随时间变化的时空结构重建，提出用于在线与离线贝叶斯推断的时空结构化 Gaussian process 回归框架。其主要贡献是以层次先验描述稀疏信号各分量之间动态演化的依赖关系，而非将研究对象限定为 EEG 或 BCI 解码。 机制上，层次 Gaussian process 通过先验分布的协方差矩阵表示信号分量间的结构与依赖，采用 expectation propagation 进行推断。摘要说明论文给出了后验分布的理论推导，但具体层次结构、协方差构造、稀疏性实现方式，以及在线更新与离线推断的计算流程尚未验证。作者声称这是首个能够表示此类动态依赖的框架，该优先性主张仍需结合相关工作核对。 作者报告在合成数据、真实视频和 EEG 数据上评估时空演化模式的重建，并相对于 alternating direction method of multipliers、spatio-temporal sparse Bayesian learning 和 one-level Gaussian process model 报告 F-measure 改善 15%。摘要未明确该数值对应哪些数据与协议，也未说明是相对提升还是百分点差值，因此不能将其视为各数据集上的统一效果。作者另报告所需内存低于 one-level Gaussian process model，但未提供具体内存量或比较规模。EEG 数据集、被试数、划分方式、重建目标、实验协议、消融及统计信息尚未验证。 该框架直接涉及 EEG 数据，摘要将源定位与目标检测列为稀疏信号应用方向，但未明确 EEG 实验是否采用源定位任务，也未提供 BCI 分类或在线交互指标。复现时需核对观测模型、先验协方差及超参数设定、推断收敛条件，以及各基线的任务与资源配置；目前材料支持关注其结构化重建方法，不支持断言其已改善跨被试泛化或 BCI 解码。