State-offset Tuning：面向状态空间模型的基于状态的参数高效微调

基于摘要分析。本文研究状态空间模型（SSMs）的参数高效微调（PEFT），提出直接调整状态相关特征的方法族，并引入 State-offset Tuning，使适配在每个时间步直接作用于当前状态，而非依赖外部提示。 核心机制与对照：作者将 SSMs 作为缓解 Transformers 二次计算成本的高效替代架构，并指出 Prompt Tuning 和 Prefix-Tuning 等提示式方法在 SSMs 上表现不佳。其方法利用 SSMs 的状态结构，把微调作用点转向状态相关特征。摘要未给出状态偏移的具体参数化、作用位置、损失函数、训练参数比例或推理开销，不能据此确定其实现细节。 证据范围：作者报告在多种数据集上的广泛实验支持该方法的有效性，但摘要未列出数据集、任务、划分协议、对照配置或指标数值，因此无法判断增益大小及适用边界。材料提供了代码地址；代码与实验配置的一致性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，在已有预训练 SSM 的 EEG 时序任务中，状态侧 PEFT 可能成为有限标注条件下跨被试或跨会话适配的候选机制，而非已证实的 BCI 方法。可复用部分是状态偏移适配思路；需改造 EEG 输入编码、通道映射及任务输出头。该假设依赖兼容的预训练 SSM、时序输入和下游监督，原论文预训练规模及监督配置尚未验证。低信噪比、通道变化、被试差异及小数据可能使状态偏移拟合噪声或无法补偿输入分布变化。一个可检验的小实验是在固定数据划分与标注预算下，比较冻结骨干、State-offset Tuning 和全量微调的跨被试表现，同时记录训练参数量与推理开销；已有 EEG 相关工作尚未检索确认。