Chimera：使用二维状态空间模型有效建模多变量时间序列

基于摘要分析。本文研究多变量时间序列中非线性依赖、变量间信息流及复杂时间模式的联合建模，提出 Chimera：利用两个输入依赖的二维状态空间模型（SSM）头及不同离散化过程，学习长期演化与季节性模式。研究对象是通用多变量时间序列，并非专门的 EEG 或 BCI 方法。 核心机制：作者将变量维与时间维的动态依赖纳入二维 SSM，并提出新的二维并行 selective scan，以提高复杂二维递推的训练效率。作者还将二维 Mamba 与 Mamba-2 讨论为其二维 SSM 的特例。摘要未披露具体状态更新方程、离散化形式、损失函数、模型规模及扫描实现，这些内容尚未验证。 结果与证据：作者报告，Chimera 在涵盖 ECG 与语音时间序列分类、长期与短期时间序列预测、时间序列异常检测的广泛基准上取得优于对照的表现。摘要未给出数据集名称、划分协议、基线配置、指标或具体数值，因此不能据此量化优势，也不能确认不同任务上的收益是否一致。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道视为变量维，二维输入依赖机制可能用于联合建模跨通道依赖与长时程变化；这是迁移假设，不代表已证实的 BCI 效果。该路径依赖多通道时序输入，原研究的监督方式与训练规模尚未明确。可考虑复用二维递推与并行扫描模块，但需适配通道布局、缺失通道和任务输出；EEG 的低信噪比、跨被试差异、小数据规模，以及未必具有稳定季节性结构，都可能削弱收益。一个可检验的小实验是在固定的运动想象 EEG 跨被试划分下，对比 Chimera 与一维 SSM，并控制训练预算、核对参数规模，报告同一指标及训练耗时，再检验通道顺序变化下的稳健性。已有 EEG 相关工作尚未检索确认；该建议不属于原论文已验证结果。