随机Volterra方程的收敛理论与FNO学习

基于摘要分析。本文研究描述具有记忆的随机系统的随机 Volterra 积分方程（SVIEs），结合 Wong–Zakai 收敛分析与 Fourier neural operator（FNO）学习，目标是从初始条件和驱动噪声预测完整解轨迹，而非直接研究 EEG 或 BCI。 理论部分建立 Wong–Zakai 定理，说明由布朗运动分段线性近似驱动的逐路径解收敛到相应的 SVIE 解，为使用离散噪声路径开展算子学习提供依据。学习部分采用镜像填充的 FNO，将初始条件与驱动噪声映射为整段解轨迹。摘要将该研究定位为既有算子学习框架向 SVIEs 的扩展，并针对卷积记忆分别开展收敛与逼近分析；定理假设、收敛意义、逼近误差界以及两类分析如何衔接尚未验证。 作者报告，数值实验取得了有竞争力的预测精度，并能泛化到比训练时更细的时间网格，同时考察填充方式的影响与计算成本。摘要未提供具体方程实例、训练数据规模、对照方法、误差指标或成本数值，因而不能据此判断优势幅度，也不能将细网格泛化等同于跨系统或跨分布泛化。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 建模任务能够明确表示为带卷积记忆的随机动力系统，其历史依赖与时间采样变化问题可能与本文机制对应。可考虑复用 FNO 的轨迹映射与镜像填充，但真实 EEG 中驱动噪声通常不可直接观测，记忆核、输入表示与监督目标均需重新确定；低信噪比、跨被试动力学差异、通道变化及小数据可能使该对应失效。一个可证伪的小实验是在已知记忆核与噪声路径的模拟 SVIE 上，以相同训练数据和模型容量比较有无镜像填充的训练网格误差、细网格误差及推理成本，再决定是否进入 EEG 验证。已有 EEG 相关工作尚未检索确认。