结构化状态空间模型的隐式偏置可被干净标签投毒破坏

基于摘要分析。本文研究结构化状态空间模型（SSMs）在低维教师生成数据的设定下，梯度下降的隐式偏置是否可靠地支持泛化。核心贡献是揭示：即使训练样本的标签完全由教师给出，某些特殊样本仍可扭曲隐式偏置，使模型泛化失败。 机制与证据：此前工作认为，SSMs 的隐式偏置能在上述教师设定下促进泛化。作者报告，通过形式化证明，许多训练数据选择确实能够支持泛化，但也存在特殊样本，将其纳入训练便会破坏这一行为。由于这些样本具有教师生成的正确标签，该现象属于 clean-label poisoning（干净标签投毒），而非依靠错误标签干扰学习。作者还报告，在独立训练的 SSMs 及作为非线性神经网络组成部分的 SSMs 中，均以实验展示了这一现象；摘要未提供具体指标或效应大小。 解释边界：该结论针对所研究的教师—学生设定及特殊训练样本，不应扩展为所有 SSMs 或所有自然数据分布都会失去泛化能力。教师与学生模型的具体结构、特殊样本的构造、投毒比例、优化条件，以及实验协议、消融及统计信息尚未验证。作者提出应进一步研究 SSMs 对干净标签投毒的易感性与防御方法，这并不等于本文已经验证了有效防御。 平台推测（待验证）：若 EEG 序列模型采用 SSMs，可检验“标签正确但输入结构异常的训练片段可能损害泛化”这一假设。可复用的是教师—学生控制实验和训练样本扰动分析框架；需改造的是 EEG 多通道输入、时序结构及任务监督，并核对原文反例是否能在生理合理的信号约束下成立。低信噪比、跨被试差异、通道变化与小数据条件可能掩盖或混淆该机制。一个小规模检验是：在匹配训练规模的合成多通道序列中，用少量教师正确标注的特殊样本替换普通样本，对比随机替换对照下的独立测试误差，再评估其是否适用于 EEG。已有 EEG 相关工作尚未检索确认。