通过路径空间中的平均场 Langevin 方法进行轨迹推断

基于摘要分析。本文研究如何从群体在若干时刻的边缘分布快照恢复其动态过程，核心贡献是为已有的路径空间最小熵估计器提出无网格求解算法，并分析其平均场极限与全局收敛性。原研究对象是群体分布的动态重建，摘要还讨论了面向单细胞 RNA 测序数据的质量变化扩展，并非 EEG 或 BCI 解码方法。 该估计器由先前工作提出，以路径空间中的 Wiener 测度为参照，通过无限维凸优化恢复一类漂移—扩散过程的动态。本文以每个观测快照对应一个点云的方式表示分布，利用 Schrödinger bridges 耦合不同时刻的点云，并通过带噪梯度下降演化这些点云。应区分已有估计器的一致恢复性质与本文新增的计算算法及其收敛分析。 作者报告，所提出动力学的平均场极限可全局收敛至目标估计器，从而为轨迹推断建立端到端理论保证；但摘要未给出保证所依赖的正则性条件、离散化要求或有限粒子误差。作者还说明如何处理质量变化，以适应细胞分支与死亡的场景。具体实验数据、对照基线、数值结果、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究问题能够表述为不同时刻群体状态分布的动态恢复，而非单次试验分类，该方法可能提供分布间轨迹耦合工具。可复用部分是点云表示与 Schrödinger bridge 耦合；需重新设计神经信号状态表征、距离与扩散假设。低信噪比、跨被试异质性及小样本可能使耦合轨迹反映噪声而非真实动态。一个可检验的小实验是在已知漂移—扩散过程的合成状态数据中加入 EEG 风格观测噪声，仅提供若干时刻的分布快照，检验其对留出时刻分布的恢复误差；这不能直接证明 BCI 有效性。已有 EEG 相关工作尚未检索确认。