闭式解取代迭代式耦合搜索
BROJA 部分信息分解把两个源 X 和 Y 关于目标 M 所携带的信息拆成冗余、唯一和协同三部分。它的定义依赖一个假设：唯一信息和冗余信息只取决于两个源–目标边缘分布，而不取决于完整的联合分布。这样一来，问题就变成在相容耦合中搜索：这些联合分布保持两个边缘分布不变，只改变两个源之间的依赖方式。
此前的工作表明，当每个源–目标对都服从联合高斯分布时，这一搜索可以限制在高斯耦合内，并化简为有限维数值优化。遗留的问题是：这个总体最小值是否存在闭式解。论文给出了肯定答案，且适用于任意目标维数，前提是 (M, X) 与 (M, Y) 的联合协方差矩阵正定。
后验协方差划定可行集
关键对象是条件协方差 Γ_X = Cov(M|X) 和 Γ_Y = Cov(M|Y)，它们由联合协方差矩阵的 Schur 补算出。在高斯假设下，这两个矩阵是常数矩阵，各自描述看到其中一个源之后，关于 M 还剩多少不确定性。
优化随后写成在后验误差协方差矩阵 Γ 上求解，要求 Γ 在 Loewner 序下不大于 Γ_X 和 Γ_Y，即 Γ_Y − Γ 与 Γ_X − Γ 都是半正定的。论文要找的是这个可行族中行列式最大的 Γ。最大化该行列式，等价于最小化联合信息，也就是关于 M 的总信息中非协同的那部分。
广义特征值决定每个目标方向
解把问题对角化。作者取 Γ_Y 相对于 Γ_X 的广义特征值 λ_i，它们来自 Γ_X^(−1/2) Γ_Y Γ_X^(−1/2) 的特征分解。在这组坐标下，两个后验协方差分别变成单位矩阵和对角矩阵 Λ。
最优的 Γ★ 在每个方向上保留两个后验方差中较小的那个：其对角元为 min{1, λ_i}。论文证明这个最优解存在、唯一且可行。证明用到 Hadamard 行列式不等式，唯一性来自该不等式取等号时变换后的矩阵必须是对角矩阵。通俗地说，最优耦合不会让目标在任何一个方向上的不确定性超过任一单独源所允许的水平。
联合信息与唯一信息的闭式表达
有了 Γ★，BROJA 联合信息就是 ½ log₂(det Σ_M / det Γ★)，其中 Σ_M 是目标的协方差。每个源的唯一信息是同一组特征值的求和：UI_X = ½ Σ_i [log₂ λ_i]₊，UI_Y = ½ Σ_i [−log₂ λ_i]₊，其中 [a]₊ = max{a, 0}。
这两个量回答的是不同问题，不应混为一谈。联合信息是关于 M 的总信息中非协同的部分；唯一信息是一个源提供而另一个源所缺的部分。论文表明，唯一信息直接由两个后验协方差矩阵的广义特征值决定，这正是计算能化简为一次特征分解、而不是一次搜索的原因。
与数值求解器吻合到数值误差
作者用 Python 把闭式解实现为 Eigen-PID，并在 Venkatesh 等人（2023）的增益扫描基准上、采用 Zhao 等人（2025）的实验设置，与两种基于优化的高斯 PID 方法 Thin-PID 和 Tilde-PID 比较。在各 PID 分量上，三种方法之间的差异保持在 2.8·10⁻¹¹ bit 以下。
第二项检验把 Thin-PID 和 Tilde-PID 初始化在由闭式解导出的最优高斯耦合上。所有试验中联合信息的绝对差异至多为 5.68·10⁻¹¹ bit，两种方法的平均绝对差异均低于 4.1·10⁻¹⁴ bit。这些是在总体协方差矩阵上做的一致性检验，并不构成有限样本估计方面的证据。
运行时间优势随源维数增长
运行时间比较使用一个目标和两个源的高斯模型，逐步增大其中一个源的维数，同时把目标和另一个源的维数固定为 1000，所有方法都在相同的总体协方差矩阵和相同的 CPU 资源上运行。论文报告加速最高达三个数量级，摘要则指出高维高斯 BROJA PID 的加速超过两个数量级。
论文中的实际案例是一次真实的 fMRI 分析：主 PID 分析用 Eigen-PID 耗时 14.5 分钟，而用 Thin-PID 预计需要 21 天；把计算从 CPU 移到 GPU 后进一步缩短到 3.9 分钟。由于闭式解直接求出精确的总体最小值，它也免去了初始化、收敛和停止准则。
正定性与有限样本偏差仍然存在
把 Eigen-PID 用于数据时，要求估计出的源–目标联合协方差矩阵满足正定性假设。论文指出，当 N ≤ d_M + max(d_X, d_Y)（N 为样本量）时，样本协方差估计不满足这一要求，并建议用正则化或降维来获得正定且条件良好的估计。
即使协方差条件良好，用样本协方差替代总体协方差仍会得到带有限样本偏差的代入估计量，这与现有高斯 PID 方法相同；论文指向 Lorenz 等人（2026）基于重采样的校正，并认为闭式解让这些校正在高维下变得可行。对于非高斯数据，作者提出 Eigen-PID 可以替换 Zhao 等人（2025）归一化流流程中的 Thin-PID，从而去掉潜高斯空间里的迭代步骤。
特征值分解才是值得关注的结果
论文的独特主张不只是高斯 BROJA PID 能算得更快，而是它的结构被揭示出来：唯一信息是 log₂ λ_i 正部与负部之和，因此每个目标方向只根据 λ_i 大于还是小于 1，贡献给恰好一个源的唯一信息。两个后验方差相等的方向对任一源都不贡献唯一信息。
因此，在判断一次高斯 BROJA 分析对给定数据集是否有信息量时，应当查看的量是 Γ_X 与 Γ_Y 的广义特征值。闭式解在总体层面是精确的，并要求协方差估计正定；在这些条件之内，它把一次昂贵的优化变成一次特征分解，其逐方向输出可以直接读取。
本文引用的文献
Gaussian BROJA Partial Information Decomposition in Closed Form
推导出高斯 BROJA PID 的精确闭式解：联合信息通过最大行列式后验协方差表达，唯一信息通过广义特征值表达；在高维设置下报告的加速最高达三个数量级。