arXiv（brain-computer interface）·· 1 天前AI 评分45
ATEMPO：按滞后与时序摊销的迁移熵模型
ATEMPO: Amortized Transfer Entropy Model Per-lag Over-Time
AI 导读
研究者提出 ATEMPO，一种基于扩散模型的迁移熵估计器，在训练中采样源深度与条件深度并按时间位置显式条件化，单次拟合即可估计完整迁移熵曲面，再通过差分恢复信息到达的延迟。
AI 要点
团队
第一作者 Emma Andrews，末位作者 Gianmarco Mengaldo，共 5 位作者
主要结果
在合成数据上平均相对误差最低，已知延迟数据集延迟检测准确率 0.98±0.04；三个脑机接口任务平均 R² 相对最强基线提升 4.1%
解决什么问题
现有迁移熵估计器需按源深度与条件深度分别拟合、再在局部窗口估计，难以追踪随时间变化的延迟
方法
提出基于扩散的迁移熵估计器 ATEMPO，训练时采样源深度与条件深度并以时间位置为条件，单次拟合估计完整 TE 面
局限
从研究设计看，验证以合成数据和已有基准数据集为主，未涉及前瞻性人体试验
AI 依据原文整理，未经人工核对。
来源：arXiv（brain-computer interface） · arxiv.org