MambaPEFT：探索 Mamba 的参数高效微调

基于摘要分析。本文研究如何以较低微调成本将预训练 Mamba 模型适配到下游任务，核心贡献是评估既有 Transformer 参数高效微调（PEFT）方法在 Mamba 上的适用性，进行架构针对性修改，并提出利用 Mamba 特有结构的新 PEFT 方法及组合框架；原研究对象是通用预训练模型的适配，而非 EEG 或 BCI。 技术上，研究围绕基于状态空间模型（SSM）的 Mamba 展开，比较直接迁用既有 PEFT 方法、针对 Mamba 改造方法及设计专用方法的路径，并探索多种 PEFT 方法如何有效组合。摘要未说明具体方法名称、可训练参数位置、损失函数、训练配置或组合策略，不能据此判断哪些模块贡献最大。 作者报告，在文中实验条件下，PEFT 对 Mamba 比对 Transformers 更有效，所提出的组合框架优于此前工作。但摘要未提供任务、数据集、模型规模、参数预算、对照基线或指标，优势究竟体现为性能、成本还是二者权衡尚未验证；实验协议、消融及统计信息也尚未验证。作者表示将在发表后发布代码，当前材料不足以确认代码可用性或发表状态。 平台推测（待验证）：假设已有适用于 EEG 序列的预训练 Mamba 模型，架构适配型 PEFT 可能用于降低小样本下游适配的可训练参数量。可复用的是参数高效适配与组合思路，需改造的是 EEG 输入表示、通道映射和任务输出模块；其适用性依赖预训练数据与目标 EEG 数据的匹配程度。低信噪比、通道差异及跨被试分布偏移可能使有限参数更新不足以完成适配。一个可检验的小实验是在同一预训练模型和固定跨被试划分下，对比冻结模型、全量微调及论文 PEFT 方法，同时记录任务指标与可训练参数量。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。