基于模型的核求和规则：结合概率模型的核贝叶斯推断

基于摘要分析。本文研究如何在概率图模型中结合非参数核贝叶斯推断与已有概率模型，提出 model-based kernel sum rule（Mb-KSR，基于模型的核求和规则）。主要研究对象是通用概率推断与状态空间滤波，摘要中的真实数据应用为基于视觉的移动机器人定位，而非 EEG 或 BCI。 现有核贝叶斯推断通过核求和规则、核贝叶斯规则等运算，从数据中非参数地学习变量间的概率关系。本文针对完全非参数框架难以灵活利用已有概率模型的问题，引入 Mb-KSR，并将其与既有核化概率规则组合以构建混合推断算法。状态空间滤波示例中，状态转移过程采用基于模型的推断，观测生成过程采用数据驱动的非参数推断，从而分别利用动力学知识与观测数据。 作者报告，合成数据实验与基于视觉的移动机器人定位实验展示了该混合方法的有效性。摘要未提供具体数据集、划分、对照方法、性能指标或数值，因此无法判断收益幅度及适用边界；核函数、概率模型的接入条件、计算开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 连续状态估计任务具有可用的潜在状态转移模型，并具备状态与 EEG 观测对应的训练数据，该框架可能用于结合动力学先验与复杂观测映射。可复用的是混合滤波思路，需改造的是状态定义、EEG 特征与核函数，以及适应跨被试、跨会话变化的观测模型。低信噪比、小样本和错误的转移先验均可能削弱效果。一个可检验的小实验是在固定数据划分与观测特征下，对比混合滤波、纯非参数滤波和纯模型滤波，并扰动转移模型以检验性能对先验失配的敏感性。已有 EEG 相关工作尚未检索确认。