用于 model-bridge 仿真校准的模型选择方法

基于摘要分析。本文研究复杂计算机仿真的参数校准问题，重点评估 model-bridge 框架中如何选择代理模型，而非提出 EEG/BCI 解码方法。其贡献是比较交叉验证与基于信息理论的模型选择策略，并讨论代理模型满足何种理论要求时可使用后者。 机制上，model-bridge 用一个更简单、不可解释的代理模型表征复杂仿真，再利用历史仿真数据训练桥接模型，将代理模型的预测映射为经校准、可解释的仿真参数。该框架意在减少校准过程中反复运行复杂仿真的需求，但也引入代理模型设计及其参数选择问题；本文主要针对这一环节开展评估。摘要未给出代理模型与桥接模型的具体结构、训练目标或候选模型范围。 作者报告，在合成信号仿真和基于有限元方法的流体动力学仿真实验中，代理模型及其选择策略对 model-bridge 的表现至关重要；适当选择后，校准表现可达到或超过既有校准方法，同时降低计算成本与耗时。作者还报告，Akaike information criterion（AIC）等基于信息理论的方法可选出接近最优的模型，选择速度比交叉验证策略快数个数量级。摘要未提供具体误差指标、对照方法名称、数据划分、运行环境或计时范围，因此这些结论仅能在所述仿真实验背景下理解，不能外推为所有校准任务中的性能保证。 复现与核对重点包括：历史仿真数据如何生成，代理模型候选空间如何设定，交叉验证的划分方式，AIC 的计算及理论适用条件，以及训练、模型选择和仿真调用是否纳入统一成本核算。实验协议、消融及统计信息尚未验证。合成信号实验不能据此视为 EEG 验证；材料未提供与 EEG/BCI 的具体机制对应关系，不据此提出迁移效果或复现实验建议，已有 EEG 相关工作亦尚未检索确认。