arXiv 于 2026 年 10 月 21 日（周三）13:32:03 UTC 收到这篇新投稿，编号为 arXiv:2610.30207v1，分类属于机器学习（cs.LG），并同时标注计算工程、金融与科学（cs.CE）交叉领域。论文题为《Spectral Uncertainty Decomposition for Sparse Bayesian Learning》（稀疏贝叶斯学习的光谱不确定性分解），作者为 Ismail Huseynov 及另外一位合作者，全文约 453 KB，提供 PDF、实验性 HTML 版本与 TeX 源码，DOI 为 10.5281 对应的 https://doi.org/10.48550/arXiv.2610.30207（DataCite 注册待完成）。
研究问题的背景是：从脑磁图（MEG）与脑电图（EEG）测量中估计分布式神经源，本质上是一个不适定逆问题，如何给出有原则的不确定性量化长期是难点。作者指出，常规的条件高斯后验协方差虽然可以在闭式下获得，却并未显式区分两类不确定性：一类沿着似然可见的源方向，另一类则对测量完全不可见。这种混同使得实践者难以判断误差来源究竟应归咎于测量质量，还是受限于传感几何本身。
为此，论文提出一个基于谱结构的框架，核心是分析经先验预条件后的前向算子的奇异值结构，从而把后验协方差精确且可解释地分解为“数据知情”成分与“不确定性/不可判定性”的认知成分。这一表述的关键价值在于区分可约与不可约的不确定性：前者可以通过更好的测量（更高信噪比、更多通道、更优布局）来削减，后者由传感几何所决定，原则上无法通过增加同类测量消除。
论文进一步推导出一个等价的减法式分解：把先验协方差写成后验协方差与数据驱动缩减项之和，从而对贝叶斯学习过程中的不确定性缩减进行精确核算。两种互补的表示——加法式（数据知情 + 不可判定）与减法式（先验 = 后验 + 缩减）——共同提供了理论洞察与实用工具。作者强调，该方法适用于线性-高斯贝叶斯逆求解器，且以后验协方差可闭式获得为前提，因此在 M/EEG 源成像等场景中具备直接的可解释不确定性量化价值。需要注意的局限是：框架依赖线性-高斯假设与闭式后验协方差，对于非线性或需采样的模型并不直接适用；此外论文摘要未报告具体实验数据与数值结果。