ABC：通过连续时间与连续空间中的非马尔可夫扩散桥实现任意子集自回归

基于摘要分析。该研究面向视频、天气等连续时间、连续空间随机过程，研究如何根据部分观测生成完整过程，包括利用不规则时间点及未来观测进行条件生成。作者提出 ABC（Any-Subset Autoregressive Models），以非马尔可夫扩散桥构建单一连续随机微分方程（SDE），使其时间变量和中间状态分别对应真实物理时间与过程状态。 核心机制是从已有的相邻过程状态出发生成后续状态，而非每次从无信息噪声出发；噪声注入随经过的物理时间变化，以鼓励时间相邻状态之间的结构相似性。作者通过路径空间上的测度变换推导 SDE 动力学，使条件化能够依赖历史和／或未来的任意状态子集，并推导路径与时间依赖的去噪分数匹配扩展来学习这些动力学。具体模型参数化、训练目标形式及推理实现尚未验证。 作者报告，在包括视频生成与天气预测的多个领域，ABC 优于竞争方法；摘要未给出数据集、划分、指标、数值及基线配置，因此不能判断优势幅度或跨任务稳定性。其理论优势的成立条件、低步数积分表现、消融及统计信息也尚未验证。 平台推测（待验证）：若将多通道 EEG 的时间序列视为过程状态，物理时间对齐及任意观测子集条件化可能用于不规则时间采样下的信号补全，而非直接构成 BCI 解码方法。可考虑复用路径条件化与时间相关噪声机制，但需改造状态表示及观测条件编码，并核对对采样时间、观测完整性和训练数据规模的依赖。低信噪比、通道差异、跨被试变化及小数据可能使模型生成平滑却不保留任务相关活动的信号。一个可证伪的小实验是在固定被试内划分下，仅遮蔽测试片段的部分时间观测，对照插值与条件扩散方法，分别检验重建误差、频谱保真度及下游解码变化；补全效果改善不等于 BCI 性能改善。已有 EEG 相关工作尚未检索确认。