Fréchet 方差的渐近任意时刻有效推断

基于摘要分析。本文研究度量空间中随机对象的离散程度估计：现有 Fréchet 方差推断主要适用于固定样本量，难以支持反复查看结果或根据数据决定停止。作者构建取值为正的渐近任意时刻有效置信序列，使方差推断能够在持续监测情境下获得渐近覆盖保证。 核心机制是对 log Fréchet variance 应用时间一致的正态近似，再通过指数变换得到原尺度上的置信序列。离线方法重新计算经验 Fréchet 均值；在线方法则采用以黎曼随机梯度中心为基础的可预测平方距离损失。作者给出的理论依赖局部光滑性、曲率及矩条件，并指出在这些条件下，Fréchet 均值的估计或跟踪误差具有一致的低阶影响，从而得到渐近任意时刻有效覆盖及依赖边界的区间宽度速率。该保证是渐近性质，不能直接视为任意有限样本下的精确覆盖。 作者报告，仿真与 EEG 协方差示例展示了重复监测的影响，以及在线构造的计算收益。摘要未提供 EEG 数据集、被试数、协方差所用度量、数据划分、覆盖率或运行时间数值，实验协议、消融及统计信息尚未验证。其主要贡献是非欧氏随机对象的序贯统计推断，而非 EEG 解码模型或 BCI 性能提升。 平台推测（待验证）：若 EEG 协方差序列符合所需几何与矩条件，这类置信序列可用于持续评估其离散程度；但 EEG 时间依赖、跨被试差异、低信噪比及小样本协方差估计可能影响适用性。复现可先在明确度量与采样协议下比较固定样本区间、离线置信序列和在线置信序列在重复查看及数据依赖停止时的覆盖表现与计算成本。摘要中的 EEG 示例已有明确关联，但其他相关 EEG 工作尚未检索确认。