时序图上的状态空间模型：一项第一性原理研究

基于摘要分析。本文研究如何将状态空间模型（SSM）从独立序列建模扩展到时序图，通过在在线近似目标中加入 Laplacian 正则项融入图结构，并提出 GraphSSM 以建模时序图的动态变化。 原论文的主要对象是按离散时间点排列的一系列静态图快照，而非 EEG 或 BCI。摘要以 RNN 的长程依赖建模困难与 Transformer 的二次计算复杂度作为研究动机，将 SSM 视为底层连续时间线性动力系统的离散化表示。其核心机制是把图结构约束引入在线近似过程；由此得到的连续时间系统带来新的算法挑战，GraphSSM 用于应对这些挑战。具体状态更新、正则项形式、离散化方式及训练与推理流程尚未验证，不能据此断言 GraphSSM 的实际复杂度优势。 作者报告，GraphSSM 在多个时序图基准上的实验表明该框架有效；但摘要未给出基准名称、任务、数据划分、对照方法或数值指标，因而无法核对提升幅度与适用条件。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：迁移假设是，将 EEG 通道作为节点、分时窗关系作为图快照，可能使图结构约束与时间状态建模共同服务于动态信号表征。该路径依赖可靠的节点对应、图边估计及足够的训练数据；可尝试复用图结构正则化与状态演化机制，但需改造 EEG 特征输入、构图方式和任务输出。低信噪比造成的伪连接、跨被试通道或连接差异，以及小数据下的过拟合均可能使假设失败。一个可证伪的小实验是在同一 EEG 任务、固定划分和相同输入下，对比含图结构约束的模型与去除该约束的版本，并检验构图扰动后的性能稳定性。已有 EEG 相关工作尚未检索确认，这一建议不代表已证实的 BCI 效果。