Lag Operator SSMs：结构化状态空间建模的几何框架

基于摘要分析。本文研究结构化状态空间模型（SSMs）的离散时间构造问题，提出以 lag operator（滞后算子）直接推导递推关系的几何框架，旨在减少传统连续时间建模再离散化的多阶段推导所造成的理解障碍。主要贡献是提供一种可组合基函数与时间变换方案的模块化理论工具，而非发布 Mamba 新模型或验证 BCI 解码效果。 核心机制是测量系统基函数从一个时间步到下一个时间步如何“滑移”并发生变化，据此几何地推导离散时间递推。作者称，状态矩阵可通过涉及该算子的单个内积计算得到，因此不同基函数与时间变换方案可以在同一框架内组合。摘要未给出算子的具体定义、内积空间、边界条件及计算复杂度，这些需由正文核对。 作者报告，一个特定实例能够精确恢复 HiPPO 的递推关系，且数值模拟支持其推导。这提供了框架与已有 SSM 理论衔接的证据，但摘要未提供预测或分类任务、数据集、对照性能及鲁棒性指标，不能据此认定其优于现有序列模型。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设该构造能够形成适合 EEG 时间尺度的状态记忆，其模块化基函数与时间变换设计可能用于研究长序列中的历史信息压缩。可复用部分是状态矩阵构造方法；需改造部分包括多通道输入表示、时间尺度选择与解码输出。该机制依赖序列的时间结构及基函数选择，摘要未说明训练所需监督或数据规模；低信噪比、跨被试差异、通道变化及小数据条件可能使理论上合理的记忆结构无法带来解码收益。一个可证伪的小实验是在固定 EEG 数据划分、预处理、训练预算及解码头的条件下，对比恢复 HiPPO 的实例与另一种基函数或时间变换实例，检验后者是否改善任务指标及数值稳定性。已有 EEG 相关工作尚未检索确认。