连续状态空间 Markov 链伪谱隙的 minimax 估计及其在经验浓缩界中的应用

基于摘要分析。本文研究如何仅凭一条 Markov 链轨迹估计伪谱隙 γ_ps，将既有有限状态空间研究扩展到紧致连续状态空间，并利用该估计构造经验浓缩不等式。研究对象是相关随机过程的统计估计与学习保证，而非 EEG 或 BCI 算法。 核心理论条件是链的转移算子具有 Lipschitz 密度。作者提出一个伪谱隙估计器，并审慎表示：在这一链类别上，该估计器可能达到忽略对数项后的 minimax 最优性。摘要未给出估计器的具体构造、收敛速率、误差概率及上下界形式，因此尚不能确认其最优性结论的完整适用条件。 作者将估计器与 Paulin 版本的 Bernstein 不等式结合，以获得 Markov 链的经验浓缩界，并提出其可用于置信区间、主动学习和泛化界。对于具有 Markov 奖励的 rested bandits，作者报告一种无需预先知道各链伪谱隙的 UCB 变体，其遗憾界与 iid 情形相似；具体依赖项、比较条件及常数尚未验证，不能理解为与 iid 情形完全相同。 与 EEG 的潜在联系仅在于相关时序数据的不确定性量化；但摘要未说明真实神经信号是否满足相应 Markov、紧致性及 Lipschitz 条件，不能据此认定其适用于 EEG 或 BCI。已有 EEG 相关工作尚未检索确认；理论证明、实验协议、消融及统计信息尚未验证。