DGMamba：通过广义状态空间模型实现域泛化

基于摘要分析。DGMamba 针对视觉域泛化中的分布偏移问题，试图在保留 Mamba 全局感受野与线性复杂度优势的同时，通过隐藏状态抑制及语义感知图像块处理，提高对未见域的泛化能力。 核心机制包括 Hidden State Suppressing（HSS）与 Semantic-aware Patch Refining（SPR）。HSS 旨在减弱与域特有特征关联的隐藏状态对输出预测的影响。SPR 则鼓励模型关注对象而非背景，包含 Prior-Free Scanning（PFS）和 Domain Context Interchange（DCI）：PFS 打乱图像中的非语义 patches，以调整图像序列的组织方式；DCI 跨域融合 patches，通过组合不匹配的非语义与语义信息对 Mamba 进行正则化。摘要未说明语义区域如何识别、隐藏状态如何抑制，以及具体损失和训练流程，这些实现细节尚未验证。 作者报告，在四个常用 DG benchmark 上，DGMamba 优于现有先进模型；但摘要未提供 benchmark 名称、数据划分、指标数值或对照配置，不能据此量化收益或判断比较条件。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前材料不能确认代码已发布。 平台推测（待验证）：可检验的迁移假设是，HSS 或可用于削弱 EEG 中与被试或会话相关、但与任务无关的状态信息。原方法依赖图像 patches 的语义与背景区分及跨域重组，迁移时需重新定义 EEG 时段或通道片段的任务相关性，并核对是否依赖额外监督或较大数据规模；不能直接套用对象与背景划分。低信噪比、小数据及通道差异可能导致任务信号被误抑制，片段打乱也可能破坏时序结构。一个小规模可证伪实验是：在相同 Cross-subject 划分与训练预算下比较 Mamba 基线和仅加入 HSS 的版本，保持测试被试不可见，检验泛化收益是否稳定。已有 EEG 相关工作尚未检索确认。