Mamba-Shedder：面向高效选择性结构化状态空间模型的后 Transformer 压缩

基于摘要分析。本文研究预训练 Mamba 及其混合架构的模型压缩，通过移除不同粒度的选定组件，探索降低模型规模和计算开销、同时维持准确性的可行性；这些压缩方案统称为 Mamba-Shedder。原论文的主要对象是通用序列建模架构，而非 EEG 或 BCI 系统。 核心机制是分析模型对组件移除的敏感性，并利用模型中的冗余提升效率。摘要未交代具体移除哪些组件、如何度量敏感性、是否需要再训练或微调，也未给出损失函数、压缩比例及选择流程，不能据此认定其采用特定剪枝算法。 作者报告，在所研究模型与推理评估条件下，最高获得 1.39 倍推理加速，且整体模型性能受到的影响较小。摘要未提供对应模型、任务、数据集、硬件、批大小、序列长度、对照配置及性能变化数值，因此该结果不能直接推广到其他部署条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 序列模型已采用 Mamba，其组件敏感性分析思路可能用于压缩部署，但原领域结果不等于 BCI 有效性。可复用的是组件移除与性能复测的流程；需改造的是 EEG 输入适配、任务指标及跨被试评估。低信噪比、通道差异和小数据可能使在通用任务中看似冗余的组件对 EEG 泛化仍然重要。一个可检验的小实验是在固定划分和同一硬件上，对已有 EEG Mamba 模型逐级移除组件，对照未压缩模型记录任务性能、推理延迟和内存占用，并单独检查跨被试性能变化。相关 EEG 压缩工作尚未检索确认。