控制方程未知的物理系统状态估计

基于摘要分析。本文研究物理系统演化方程部分或完全未知时，如何从含噪观测中估计不可测状态并对可测状态去噪。作者提出用于 Markov Gaussian processes 随机变分推断的重参数化技巧，在近似贝叶斯框架下同时学习数学模型中的缺失项与系统状态。 机制与区别：传统状态估计通常依赖既定动力学模型，并对模型不确定性作较强假设，例如将其视为加性随机扰动或参数不确定性。本文将未知动力学项的学习纳入状态估计过程，而非仅在预设模型下修正状态。摘要未展开重参数化的具体形式、观测模型、先验设定、优化目标及计算开销，尚不能判断其对不同非线性系统和噪声条件的适用边界。 证据范围：作者称这一进展拓展了状态估计的适用问题范围，且相关随机变分推断方法可用于更广泛的机器学习问题。但摘要未提供具体系统、数据规模、对照方法或量化指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 可在选定时间尺度上用低维隐状态动力学和明确的观测映射近似，该机制可能用于联合估计潜在神经状态与未知演化项。可考虑复用其联合推断思路，但观测映射、噪声模型及跨被试、跨通道差异需另行处理；低信噪比、有限数据与非平稳性可能使动力学和观测噪声难以区分。一个可证伪的小实验是先在具有已知潜在轨迹的 EEG 风格模拟观测上，固定数据量和观测条件，对照已知动力学与学习未知动力学的状态估计误差，再逐步降低信噪比，检验联合学习是否稳定获益。这不是已验证的 EEG/BCI 结果，相关 EEG 工作尚未检索确认。