状态空间模型在估计具有动态光滑性的函数方面可与 Transformers 相媲美

基于摘要分析。本文研究状态空间模型（SSMs）能否在序列到序列函数估计中替代 Transformers，核心贡献是针对具有方向依赖光滑性、以及光滑性随输入序列变化的目标函数，建立两类模型估计能力的理论比较。 研究对象是函数估计的统计性质，而不是某个具体应用任务的实测性能。作者报告，在目标函数具有方向依赖光滑性的设定下，SSMs 可达到与 Transformers 相同的估计收敛率；当光滑性依赖输入序列而变化时，作者也报告 SSMs 能达到与 Transformers 相当的估计效果。这里的“相当”应限定在论文所研究的函数类及理论条件内，不代表两者在所有序列任务中具有相同的 Accuracy、计算成本或数据效率。 其阅读价值在于将模型比较从经验性能推进到特定函数类上的统计估计能力分析。摘要未提供函数空间的精确定义、数据分布与监督假设、SSM 结构、模型规模约束、收敛率表达式或证明条件，这些内容尚未验证；实验协议、消融及统计信息亦尚未验证。因此，目前不能判断理论结论对有限样本、带噪观测或具体模型实现的覆盖程度。 平台推测（待验证）：输入依赖的光滑性可作为分析 EEG 非平稳序列的一种候选理论视角，但 EEG 非平稳性并不自动满足本文的函数类假设。低信噪比、跨被试差异、通道变化与小样本条件可能影响理论条件的适用性。摘要不足以确定可直接复用的实现模块或设计有依据的复现实验，需先核对全文中的函数类、采样及噪声假设；已有 EEG 相关工作尚未检索确认。