FACTS：用于世界建模的因子化状态空间框架

基于摘要分析。该研究面向复杂系统的世界建模，旨在同时学习空间与时间依赖，改善长期高维序列的建模效率。作者提出循环式 FACTored State-space（FACTS）框架，以图结构记忆、路由机制和选择性状态空间传播组织时空信息，并支持高维序列的并行计算。 核心机制是通过路由学习可置换的记忆表示；摘要称这一设计可确保对输入置换的不变性，并通过选择性状态空间传播进行适应。其具体因子化方式、图的构建与更新、置换作用的对象，以及循环计算与并行计算如何兼容，尚需全文核对。摘要将 Transformers 和 Mambas 对空间与时间结构的高效编码能力作为研究动机，但未提供损失函数、训练监督或计算复杂度细节。 作者报告，在多变量时间序列预测、以对象为中心的世界建模和时空图预测任务上，通用 FACTS 框架持续超过或匹配专门设计的先进模型。摘要未给出数据集、划分、对照模型名称或指标数值，因此无法判断各任务优势的幅度与适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多通道预测能够表述为保留通道身份与空间关系的图结构序列，FACTS 的记忆和路由机制可能为跨通道依赖及长时依赖建模提供可复用模块。需改造输入表示与通道位置编码，区分通道排列变化和真实空间结构变化；低信噪比、跨被试差异、通道缺失与小数据可能使路由学习不稳定，输入置换不变性也不等于跨被试泛化。一个可证伪的小实验是在固定被试内划分下进行多通道 EEG 预测，与相同训练预算的 Transformer 和选择性状态空间基线比较，并测试同步保留通道身份信息的排列变化及通道缺失条件。该假设不是已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。