PASS：用于事件识别的路径选择状态空间模型

基于摘要分析。该研究针对事件相机的物体与动作识别：既有方法通常按固定时间间隔或频率采样并转换事件表示，对事件序列长度及推理时间频率变化的适应能力受限。作者提出 PASS，利用状态空间模型（SSMs）处理高时间分辨率事件，并通过自适应编码增强时空建模与频率泛化能力。 核心机制包括 Path-selective Event Aggregation and Scan（PEAS）模块，通过自适应扫描与选择聚合后的事件表示，将事件编码为固定维度特征；Multi-faceted Selection Guiding（MSG）损失用于减少 PEAS 选择过程中编码特征的随机性与冗余。摘要以 SSMs 的线性复杂度及输入频率泛化能力作为设计依据，但具体扫描路径、选择规则、损失形式及训练流程尚未验证。 作者报告，PASS 在五个公开数据集上优于此前方法，并在推理时间频率变化时呈现较小的准确率下降，原文标为 PASS −8.62%、基线 −20.69%。摘要未说明这些数值是相对变化还是百分点差，也未提供数据集名称、基线身份、频率范围及划分协议，不能据此进行跨协议比较。作者还报告模型可处理更广的事件长度分布（原文为 1–10^9），具有精细时间感知及真实场景泛化能力；该长度的计量定义与实验条件尚未验证。实验协议、消融及统计信息尚未验证。作者表示代码与检查点将在论文被接收后发布，这不表示已经接收或资源已经公开。 平台推测（待验证）：其可迁移机制可能对应 EEG 中时间采样密度变化与长序列计算开销问题，但事件相机的异步稀疏事件结构不同于通常连续采样的 EEG。假设路径选择能够保留任务相关时间信息，可探索复用 SSM 与选择约束，并改造 EEG 分段、通道组织及输入编码；低信噪比、跨被试差异、通道变化和小数据训练可能使选择模块丢弃弱而关键的信号。可在同一 EEG 数据集的固定被试内划分上，以训练集确定预处理和选择规则，比较固定分段与自适应选择在不同重采样率下的 Accuracy 变化及计算开销；这仅是可证伪的迁移假设，已有 EEG 相关工作尚未检索确认。