Neural Bridge Processes（神经桥过程）

基于摘要分析。该研究面向从部分观测的上下文—目标对中学习随机函数的问题，提出 Neural Bridge Processes（NBPs），将输入 x 作为整个扩散轨迹的动态锚点，以改善随机函数建模中的输入耦合与端点一致性。其主要研究对象是概率建模，EEG 信号回归是摘要列出的验证任务之一，而非已验证的 BCI 解码应用。 核心机制：作者将前向核改写为显式依赖输入 x 的形式，构造严格终止于监督目标的受约束路径，并采用 DDPM-style bridge sampling。作者认为，这一设计能够提供更强的梯度信号并保证端点一致性。摘要将其与 Neural Diffusion Processes（NDPs）区分：后者仅在去噪网络中引入条件信号，而无条件前向过程可能造成输入耦合较弱及扩散端点的语义不匹配。具体核参数化、损失、训练与推理阶段如何实施端点约束，尚需正文核对。 结果与证据范围：作者报告，在合成数据、EEG 信号回归和图像回归任务上，NBPs 相较基线取得显著改进；摘要未提供具体数据集、被试数、指标、改进数值或基线配置，因此无法判断收益大小及跨任务一致性。EEG 实验的被试内、跨被试或跨会话协议，上下文与目标的划分方式，以及消融和统计信息尚未验证。 平台推测（待验证）：输入贯穿扩散轨迹的机制可能适用于部分观测 EEG 的条件信号回归，但原任务有效不等于 BCI 解码有效。可复用的是条件桥建模思路；输入与目标的具体定义、通道及时间结构表示需依据 EEG 任务核对或改造。低信噪比、被试差异及小数据可能削弱条件约束的收益。一个可检验的小实验是在固定 EEG 回归划分、相同上下文观测比例与相同评价指标下，对比 NBPs 与 NDPs，并检查收益是否随观测稀疏程度变化。除摘要所述实验外，相关 EEG 工作尚未检索确认。