预测状态具有作用范围

基于摘要分析。本文研究时序模型的预测状态作用范围：不同历史被写入何处，以及未来预测能读取哪些状态。作者提出 Factor-Addressed Predictive State（FA-State），在共享预测路径之外引入按关系对寻址的循环状态，以兼顾跨关系共享学习与关系特定历史的独立保存；主要研究对象是时序图预测，而非 EEG 或 BCI。 核心机制是区分“如何编码和更新历史”与“历史存放及检索的位置”。共享状态汇聚更多观测，但可能合并具有不同未来的历史，形成预测混叠（predictive aliasing）；局部状态保留历史差异，却只能获得较少观测。FA-State 在不同地址间共享历史编码与更新方式，同时保留关系特定历史的写入和读取位置，并进行联合训练。作者通过 Bayes log-risk 与随机效应分析刻画预测混叠的代价，以及有限样本下共享状态与局部状态的权衡。 作者报告，在时序图预测任务上，FA-State 配合多种骨干模型可改善预测，但摘要未提供数据集、指标或提升幅度。其关键干预是在固定训练后权重和在线状态库内容的条件下，仅错排检索地址；作者报告预测随之系统性下降，支持模型实际利用历史内容与地址之间的对应关系。受控数据流与循环状态分析进一步考察可用历史如何影响共享—局部权衡。实验协议、消融及统计信息尚未验证，具体寻址规则、状态库更新与复现资源也需核对全文。 平台推测（待验证）：若 EEG 任务具有稳定、重复出现的关系索引，例如通道对或任务条件，状态寻址可能用于分离关系特定历史，同时共享更新机制；这依赖足够的重复观测及可靠的地址定义，并非原论文已验证的 BCI 效果。可复用的是共享更新与局部存储的分工，需改造的是 EEG 关系定义、状态重置和跨被试地址对齐。低信噪比、通道变化及小数据可能使局部状态不可靠。一个可证伪的小实验是在固定 EEG 数据划分和预测任务下比较共享状态与关系寻址状态，并在固定权重及状态内容后错排检索地址，检验性能是否确实依赖地址对应。已有 EEG 相关工作尚未检索确认。