MambaMoE：用于高光谱图像分类的光谱—空间混合专家状态空间模型

基于摘要分析。本文研究高光谱图像（HSI）分类，提出基于 Mamba 的光谱—空间混合专家框架 MambaMoE，以适应不同地物的特征差异；同时引入不确定性引导的纠正学习策略，改善难分类区域的特征表示。其主要研究对象是遥感图像中的地物分类，而非 EEG 解码或 BCI。 核心模块 Mixture of Mamba Expert Block（MoMEB）结合基于 Mamba 的空间路由专家与光谱共享专家，通过稀疏专家激活动态学习具有方向性的光谱—空间特征。uncertainty-guided corrective learning（UGCL）利用不确定性引导模型关注困难区域，作者将其作用解释为缓解 Mamba 方向建模限制导致的预测混淆。专家数量、路由规则、不确定性估计方式、损失形式及训练流程尚未验证。作者声称这是 HSI 分类领域首次引入基于 MoE 的深度网络，该优先性尚未独立核实。 作者报告，在多个 HSI 分类基准上，该方法的分类精度和计算效率均优于现有先进方法；但材料未给出数据集名称、训练与测试划分、对照方法、指标数值或计算效率测量条件，因此无法评估优势幅度及适用范围。实验协议、消融及统计信息尚未验证，复现还需核对代码可用性与完整配置。 平台推测（待验证）：其潜在跨领域价值在于按输入特征动态分配专家，并对高不确定性区域加强学习，而非已证实的 EEG 性能提升。迁移假设是，这种机制可能帮助处理 EEG 时空模式的异质性；但 HSI 的光谱—空间结构不能直接等同于 EEG 的时间—通道结构。可考虑复用稀疏专家分配与不确定性引导思想，扫描方向、通道拓扑及共享维度则需改造。低信噪比可能使不确定性主要反映噪声，小数据可能导致专家训练不足，跨被试或通道变化也可能使路由失效。一个可证伪的小实验是在固定 EEG 数据划分与相近计算预算下，比较基础 Mamba、加入专家模块及再加入 UGCL 的版本，检验增益是否稳定存在。已有 EEG 相关工作尚未检索确认。