从近因偏置与过度平滑视角理解并缓解状态空间模型的瓶颈

基于摘要分析。本文研究结构化状态空间模型（SSMs）在长序列建模中的瓶颈，提出近因偏置与深层过度平滑之间的权衡，并通过极化状态转移矩阵中的两个通道来缓解这两类问题。研究对象是通用序列模型，并非 EEG 或 BCI 专用方法。 作者报告，其理论分析表明 SSMs 存在较强的近因偏置，实证研究显示该偏置影响远距离信息回忆并带来鲁棒性问题。扩展实验提示增加深度有助于学习长上下文，但进一步的理论分析指出，深度增加也会使 token 表征趋于难以区分，即过度平滑。上述理论结论的适用模型、假设与边界仍需全文核对。 方法上，作者提出将状态转移矩阵的两个通道分别设为零和一，以同时应对近因偏置与过度平滑。作者报告，在所研究的长距离 token 关联回忆实验中，该方法持续提高 Accuracy，并使 SSMs 能进一步受益于更深的架构。摘要未提供数据集、序列长度、模型配置、基线或具体数值；实验协议、消融及统计信息尚未验证。摘要声明代码已公开，但实现与复现条件尚未核验。 平台推测（待验证）：假设 EEG 任务确实依赖较远时间位置的信息，且深层 SSM 编码器存在时间表征趋同，状态转移极化可能是可复用的模块。原研究依赖序列结构及可评估远距离信息回忆的任务，其监督方式和训练规模尚未验证；迁移到 EEG 需适配多通道输入、采样尺度及任务读出。低信噪比可能使保留的远程信息主要成为噪声，跨被试与通道差异、小数据训练也可能抵消收益。可在固定 EEG 数据划分、训练预算与任务指标的条件下，对比原始与极化 SSM，并考察不同深度及远端时间片遮挡造成的性能变化，以检验收益是否对应远程信息利用。已有 EEG 相关工作尚未检索确认。