START：具有显著性驱动的 token 感知变换的广义状态空间模型

基于摘要分析。本文研究由 CNN、ViT 与 Mamba 等架构承载的域泛化问题：利用多个源域训练，使模型泛化至未见目标域。作者提出 START，在状态空间模型（SSM）的输入依赖矩阵中，对显著 token 的域特异特征进行选择性扰动与抑制，以减少域间差异；原研究并非 EEG 或 BCI 验证。 核心机制：作者认为，CNN 的有限感受野容易产生纹理偏置，而 ViT 的全局建模伴随自注意力的二次复杂度。Mamba 提供随序列长度线性增长的计算复杂度，但作者分析发现，其输入依赖矩阵可能累积并放大域特异特征，损害泛化。START 将干预位置放在这些矩阵及其显著 token 上。显著性如何计算、扰动如何实施、训练目标及推理时是否启用变换，摘要未说明，尚未验证。 结果与复现：作者报告，在五个基准上，START 优于已有 SOTA 域泛化方法，并保持高效的线性复杂度。摘要未提供基准名称、指标数值、域划分、对照配置或实际运行开销，无法据此比较收益幅度。作者提供了代码链接，但代码完整性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 的跨被试或跨会话差异也通过输入依赖矩阵被放大，这种矩阵内的选择性干预可能用于抑制域特异信息。可复用的是干预思路，需改造 EEG 的时序或通道 token 构造及显著性估计；其训练还依赖多个源域。低信噪比下，显著 token 可能对应伪迹，也可能承载任务有效信号，抑制不当会损害解码；通道差异及小数据也可能使显著性估计不稳定。可检验的小实验是在固定 EEG 数据与留一被试域泛化划分下，对比同一 Mamba 基线及加入该变换的版本，保持训练预算一致，并核对显著性选择的作用。已有相关 EEG 工作尚未检索确认。