arXiv q-bio.NC（Neurons and Cognition）·2026-10-26 12:00· 3 小时前AI 评分38

HP-GSBS：用可复用区间统计加速贪心状态边界搜索

HP-GSBS: Accelerating greedy state boundary search with reusable interval statistics

AI 导读

HP-GSBS 是 GSBS 的开源实现，将匹配目标改写为可加区间贡献并复用相关统计量计算 t-distance，在 7 组受控工作负载上实现 154 至 1,730 倍的同输入中位加速，168 次优化执行均复现完整参考边界历史，最大绝对 t-distance 差异为 1.88×10⁻¹¹。

AI 要点

团队

第一作者 Yanzhe Zhao，末位作者 Yongzhang Ji，共 2 位作者。

主要结果

在七组受控工作负载上，同输入中位加速 154–1,730 倍；168 次优化执行复现完整参考边界历史，t-distance 最大绝对差 1.88×10⁻¹¹。

解决什么问题

GSBS 需反复重建模板并评估相关性，跨记录、跨参数分析计算开销大；HP-GSBS 将匹配目标改写为可加区间贡献并复用相关统计量。

方法

采用流式候选缩减、顺序局部精化与活动块复用，提供 CPU、PyTorch CUDA、Triton 执行路径；另用 4 个公开 BBBD EEG 矩阵做跨后端验证。

局限

从研究设计看，加速与复现验证基于受控工作负载和公开数据，未与其它 GSBS 实现做对比。

AI 依据原文整理，未经人工核对。