Longhorn：状态空间模型是摊销在线学习器

基于摘要分析。本文研究长序列建模中状态空间模型（SSMs）的设计问题，提出将 SSM 理解为特定在线学习问题的元模块，并从在线学习目标的优化过程推导状态转移规则。基于这一视角，作者提出 Longhorn，其核心是利用在线回归目标的隐式更新构建深层 SSM 架构。 机制与贡献：原论文主要面向通用序列建模与语言建模，而非 EEG 或 BCI。摘要以 Transformer 随序列长度增长的二次计算成本为背景，强调 SSM 在线性解码效率和训练并行化方面的潜力。其方法贡献不是单纯提出一种递推形式，而是尝试以明确的在线学习目标解释和设计递推规则。在线回归目标的具体形式、隐式更新的求解方式、状态参数化及训练细节尚未验证；这里的“在线学习”是模型设计视角，不能直接等同于部署阶段的测试时自适应。 结果与证据边界：作者报告，在标准序列建模基准和语言建模任务上，所提模型优于包括 Mamba 在内的先进 SSM。摘要未提供具体数据集、指标、分数、模型规模或对照配置，因此无法判断优势幅度与适用条件。实验协议、消融及统计信息尚未验证，复现还需核对完整算法、训练配置与实现可得性。 平台推测（待验证）：假设在线回归驱动的状态更新能够用于 EEG 长时序表征，其潜在对应点是以递推状态压缩历史信息，而非直接解决跨被试差异。可考虑复用状态更新机制，但需改造 EEG 通道或时间片的输入表征及任务输出；原方法依赖的回归监督构造、序列规模与数据结构仍需全文确认。低信噪比、通道变化和小数据条件可能使状态更新受噪声干扰或学习不足。一个可证伪的小实验是在固定跨被试划分、相同预处理和相近训练预算下，对比 Longhorn 与 Mamba 在同一 EEG 解码任务上的任务指标、运行开销及噪声敏感性，检验其优势能否迁移。已有 EEG 相关工作尚未检索确认。