从近因偏置与过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）在长序列建模中的近因偏置，以及增加深度后出现的过平滑问题，提出通过极化状态转移矩阵中的两个通道缓解这两类瓶颈。原论文主要面向通用序列建模与关联回忆，并非 EEG 或 BCI 验证研究。 机制与贡献：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损害远距离信息回忆并带来鲁棒性问题。作者报告，扩展实验中加深模型有助于学习长上下文，但进一步理论分析指出，深度增加又会导致 token 表征趋于难以区分，即过平滑。所提极化方法将状态转移矩阵中的两个通道分别设为零和一，旨在同时缓解近因偏置与过平滑；具体通道定义、约束方式及与训练过程的结合尚需核对全文。 结果与复现：作者报告，在所研究的长距离 token 关联回忆实验中，该方法持续提高准确率，并使 SSMs 能进一步受益于更深架构。摘要未提供具体数据集、序列长度、模型配置、数据划分、对照基线及数值，实验协议、消融及统计信息尚未验证。作者声明已公开源代码，但实现与实验复现情况尚未验证。 平台推测（待验证）：若 EEG 任务确实依赖相距较远的时序信息，这一机制可能用于检验 SSM 编码器是否过度依赖近期片段。原方法依赖序列结构，摘要中的效果证据来自关联回忆任务，其训练监督与规模尚未验证。可考虑复用状态转移极化思路，但需适配 EEG 分段、通道融合及任务监督；低信噪比、跨被试差异、通道变化和小数据可能削弱收益，强调远距离信息也可能保留无关噪声。一个可证伪的小实验是在固定数据划分、输入长度和训练预算下，对比同深度 SSM 有无极化，并通过遮挡远端与近期片段检验信息依赖及任务表现是否同步改善。已有 EEG 相关工作尚未检索确认。