OnlineBTD：跟踪大型张量块项分解的流式算法

基于摘要分析。该研究面向持续变化的大型张量，提出 OnlineBTD，用于在线跟踪块项分解（Block Term Decomposition，BTD），以缓解传统批处理 BTD 在流式数据上的计算与存储压力。其主要研究对象是通用流式张量分解，而非专门的 EEG 解码或 BCI 系统。 BTD 以块项表示张量中的低秩或多线性低秩结构，相较于秩一成分，可表达更丰富的因子结构。摘要将 EEG/ECG 列为潜在适用数据，并强调 BTD 的可解释性与唯一性等性质；这些性质的成立条件，以及 OnlineBTD 的具体更新规则、目标函数、秩设定和稳定性保障，尚未验证。作者声称该方法是首个跟踪流式 BTD 的方案，此优先性主张尚未独立核实。 作者报告，在六个合成数据集和三个真实数据集上，OnlineBTD 的效果与既有 BTD 相当；相对传统基线，速度提升 10–60%，内存使用减少 40–70%，并能处理经典 BTD 无法运行的更大张量流。摘要未列出真实数据集名称、效果指标、具体基线、硬件与流式划分协议，因此这些数值仅能视为所述实验范围内的作者报告，不能解读为 EEG 分类 Accuracy 或在线 BCI 性能提升。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被组织为具有稳定低秩结构的流式张量，OnlineBTD 可能用于降低在线因子提取的计算和存储成本。可复用的是流式分解与因子更新机制；需根据任务改造张量维度、窗口方式、秩选择和下游解码接口。低信噪比、伪迹、通道变化及跨被试差异可能破坏结构假设，小数据下秩选择也可能不稳定。一个可检验的小实验是在同一 EEG 记录的固定通道、按时间到达窗口上，对比 OnlineBTD 与批处理 BTD 的重构误差、更新时间及峰值内存，再核对相同下游解码器的表现。该实验属于迁移假设，已有 EEG 相关工作尚未检索确认。