具有状态保留保证及抵御隐藏状态投毒的 PAC-Bayesian 界的 Lipschitz 约束选择性状态空间模型

基于摘要分析。本文研究 Mamba 等选择性状态空间模型（SSM）的隐藏状态投毒（HiSPA）：短对抗 token 序列可使输入依赖的离散化步长 Δt 趋于饱和，令状态转移矩阵 exp(ΔtA) 趋近于零，从而抹除先前上下文。作者提出 LipMamba，通过参数化约束结合理论界与攻击实验，限制这一状态擦除机制。 核心机制包括投影的谱归一化、状态矩阵的特征值约束，以及将离散化步长限制在 [Δmin, Δmax]。作者声称证明了有界输入域上选择性扫描的显式 Lipschitz 常数，并指出 Δmin > 0 是保持状态有界的条件；另给出状态保留界及可解析计算的触发长度 ℓ⋆，以及由同一常数控制间隙项的对抗风险 PAC-Bayesian 界。具体假设、推导及实现尚需全文核对。 作者明确限定理论保证：全局 Lipschitz 常数随深度几何增长，所得全局证书不具有效力；逐输入半径来自局部 Lipschitz 估计，属于经验结果。状态保留界仅约束范数，不保证内容保持。在所用约束值下，理论界可保证单 token 触发后至少保留 50% 的状态范数，并可防止最长六个 token 的触发导致近乎完全擦除，不能据此保证更长攻击或语义记忆安全。 作者报告，在 RoBench-25 和 HarmBench 的 HiSPA 评估中，触发长度为 24 时，LipMamba-370M 的投毒后 Accuracy 为 85.3%，Mamba 为 23.4%；在经验局部 Lipschitz 半径 0.18 下，Accuracy 为 80.4%。摘要未明确这些结果的分数据集汇总方式与完整攻击设置。在 WikiText-103 上，相对公开 Mamba 检查点的困惑度开销为 3.5–4.9%。作者报告消融将收益主要归因于选择性投影的谱归一化和步长限制。数据划分、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型采用输入依赖的选择性 SSM，类似约束可能缓解短时伪迹造成的状态擦除，但原文验证对象是 token 序列，并非 EEG。可复用谱归一化与步长约束，需适配连续信号输入和幅值界；低信噪比、跨被试幅值差异及过强约束可能损害有效信息保留。一个可证伪的小实验是在固定 EEG 数据划分下，对比约束前后模型在短时伪迹注入后的状态范数、任务 Accuracy 与干净数据表现。已有 EEG 相关工作尚未检索确认。