AIRE-Prune：基于渐近脉冲响应能量的状态空间模型状态剪枝

基于摘要分析。本文研究大状态维度带来的 SSM 内存与计算成本，提出训练后结构化剪枝方法 AIRE-Prune，通过直接最小化长期输出能量失真来缩减各层状态维度，而非为降低成本预先牺牲模型容量、搜索空间或稳定性。 核心机制是为每个状态计算闭式的渐近脉冲响应能量评分，即该状态在无限时间范围内贡献的总脉冲响应能量，再按层归一化，使不同层的状态能够参与全局比较与选择。该方法将单系统中的模态截断扩展到深层堆叠 SSM，以渐近响应能量而非最坏情况增益作为剪枝依据。具体评分公式、归一化方式、适用条件及剪枝后稳定性尚需全文核对。 作者报告，在多种序列基准上的 SISO（单输入单输出）和 MIMO（多输入多输出）SSM 中，平均剪枝比例为 60.8%，无需重训练时平均准确率下降为 0.29%，并显著降低计算量。摘要未列出具体基准、数据划分、对照方法或计算量降幅；0.29% 沿用原文表达，其指相对百分比还是百分点尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 序列模型采用可计算上述能量评分的 SSM，状态级剪枝可能用于降低推理成本；可复用评分与全局选择机制，但需核对实际模型参数化、输入输出映射及有限时间窗是否满足方法条件。假设风险在于：低能量状态仍可能携带关键判别信息，低信噪比、跨被试或通道变化也可能削弱渐近能量与任务贡献之间的对应关系。一个可检验的小实验是在固定跨被试划分下，对已训练的 EEG SSM 进行无需重训练的 AIRE-Prune，与相同剪枝比例的随机状态剪枝比较，分别记录输出失真、Accuracy、推理时延与内存占用。已有 EEG 相关工作尚未检索确认，该实验仅是迁移假设，不代表已证实的 BCI 效果。