𝒮¹：通过端到端闭式算子构建的可解释状态空间模型

基于摘要分析。本研究针对状态空间模型中线性动态虽可解析、非线性读出却使整体计算难以数学分析的问题，提出源自复数非线性振荡器网络的 𝒮¹。其核心贡献是通过非线性坐标变换，同时线性化递归动态并唯一确定读出非线性，从而为包含动态与读出的端到端计算提供精确解析表达。 机制上，作者指出，一大类连接模式可在递归层形成行波模态，分类则由这些波模态之间的非线性相互作用产生。与仅分析线性状态演化不同，该框架试图将读出也纳入可解析范围，因此其解释对象是模型的整体计算，而非单独的隐藏状态。坐标变换的具体形式、适用条件、连接结构约束及解析表达的计算成本，均需全文核对。 作者报告在 EEG classification 和 sequential MNIST 上进行了验证，并取得有竞争力的基准性能；摘要未提供 EEG 数据集、分类任务、被试数、被试内或跨被试划分、评价指标与对照基线，故不能据此判断其在具体 BCI 场景中的优势。作者还报告，可选择性放大或抑制特定特征模态，以因果方式改变模型分类。该结论涉及模型内部干预，不等同于揭示 EEG 的生理因果机制。作者关于其他序列模型无法提供同类第一性原理分类解释的主张，也需结合正文及相关工作核对。 复现重点是闭式表达与实际前向计算的一致性、模态干预对输出的可预测性，以及 EEG 评估协议下性能和解释的稳定性。代码、训练配置、实验协议、消融及统计信息尚未验证。虽然论文已包含 EEG 验证，但其解析可解释性是否能对应可靠的神经信号解释，摘要尚不足以支持。