S$^3$M：面向结构化多变量时间序列的谱状态空间模型

基于摘要分析。该研究面向同时具有时间记忆与变量间结构化交互的多变量时间序列，提出谱状态空间模型 S$^3$M，将图结构上的潜在状态与图谱滤波驱动的递归状态传输结合，试图弥合通道可分离的选择性状态空间模型与缺乏递归状态空间解释的图神经网络之间的机制差异。 其潜在状态被表示为图信号，线性状态传输由可学习的图谱滤波器混合构成。动态观测图描述依赖上下文的变量关系，紧凑的 B-spline 滤波器组提供频率选择性传输，top-s 路由器在每个时间步选择稀疏谱子空间；availability-aware pooling 则避免未观测条目获得读出权重。这里的图谱频率不应直接等同于 EEG 的时间频段。 作者报告，理论分析给出了线性传输的精确图傅里叶对角化，刻画了其在测量坐标中产生跨变量混合的条件，证明了所实现的 top-s simplex 规则的最优性，并对带门控、层归一化递归的状态给出界。具体假设、界的形式及适用条件尚需全文核对。 作者报告，在大规模 PhysioNet 2019 基准的标准主要指标上，S$^3$M 优于所比较的 SOTA 基线，并通过受控干预量化谱滤波、递归记忆、图耦合和缺失感知读出的贡献。摘要未提供任务细节、指标名称、数值、划分和基线清单，实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或跨协议可比性。 平台推测（待验证）：若 EEG 通道间关系能由稳定且有意义的图描述，该机制可能用于联合建模跨通道交互、时间记忆和通道缺失。可复用部分包括图谱传输与缺失感知读出；观测图构建、通道映射及任务监督需针对 EEG 改造。低信噪比、跨被试图结构变化和小数据条件可能使动态图估计或谱路由不稳定。一个可检验的小实验是在固定跨被试划分下，对照完整模型、取消图耦合和取消缺失感知读出，并施加受控通道缺失，检验收益是否来自相应机制。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。