随机波动率下涌现的潜在状态计算

基于摘要分析。本文研究序列模型在噪声和部分可观测条件下如何表征潜在随机动态，主要研究对象是受控的多变量随机波动率过程，而非 EEG 或 BCI。模型仅观察收益率，研究者则掌握真实潜在波动率状态，因此可以直接检验模型内部表征与隐藏状态之间的关系。 作者报告，在不同架构、损失和输出头设置中观察到两阶段计算的证据：隐藏表征编码了关于下一时刻潜在波动率状态的大量信息，输出头再将该表征映射为收益率平方预测。对于 Transformers，潜在状态的可解码性在可识别的架构阶段出现，其位置随波动率周期变化。在长周期条件下，作者报告该计算可简化为学习到的线性投影与随后进行的 ℓ² 归一化，构成显式潜在状态滤波器。 作者进一步通过替换输出头发现，噪声 MSE 训练下的部分性能退化源于读出不匹配，而不完全是表征失效。这为区分“隐藏状态信息是否已被编码”与“预测头是否有效利用该信息”提供了分析思路。摘要未给出具体架构配置、数据规模、周期设置、基线或定量结果；实验协议、消融及统计信息尚未验证，也需在全文中核对可解码性评估与输出头替换的训练、测试划分。 平台推测（待验证）：若 EEG 任务可被合理建模为带噪观测下的潜在动态估计，该诊断思路可能帮助区分表征瓶颈与读出瓶颈。可复用的是潜在状态探测和输出头替换，而非直接套用随机波动率模型；关键依赖是可评价的状态参照，真实 EEG 通常缺少这种真值。低信噪比、跨被试差异、通道变化和小数据可能使探测结果不稳定。一个可证伪的小实验是在具有已知潜在状态的 EEG 仿真序列上冻结表征，仅替换读出头，检验潜在状态解码能力与预测改善是否一致，并设置独立测试序列。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性证据。