HiPPO-Prophecy：状态空间模型可在上下文中学习动力系统的理论保证

基于摘要分析。该研究探讨状态空间模型（SSMs）如何在不进行参数微调的情况下，根据已观测状态预测动力系统的下一状态，并提出一种基于 HiPPO 的显式权重构造，为 SSM 上下文学习提供可能的理论解释。 核心机制是扩展 HiPPO 框架，使连续 SSM 近似输入信号的导数。作者给出相应的显式权重构造及导数近似的渐近误差界，再将连续 SSM 离散化，得到用于下一状态预测的离散 SSM。这里的主要贡献是构造性机制与理论分析，而非摘要中已明确描述的预训练模型或常规微调方案。摘要使用“任意动力系统”和“任意输入信号”的表述，但其所依赖的信号正则性、观测条件及误差界适用范围尚未验证，不能据此解释为对所有实际观测序列的无条件保证。 作者报告通过实证实验展示该参数化方式的有效性，但摘要未提供动力系统类型、数据规模、预测指标或对照结果。实验协议、消融及统计信息尚未验证；复现时需从全文核对权重构造、离散化方式、采样间隔以及理论假设与实验设置的对应关系。 平台推测（待验证）：若 EEG 的短时演化可由足够平滑且具有预测信息的观测序列近似，导数估计与无需微调的状态预测可能为跨会话时序变化建模提供研究切入点。可考察复用显式权重构造和离散 SSM，但仍需处理多通道观测、采样尺度与噪声；EEG 并不等同于完整动力系统状态，低信噪比、潜在状态不可观测及跨被试通道差异均可能使该机制失效。一个可检验的小实验是在固定被试内划分与统一采样率下，比较该构造和简单自回归基线的 EEG 下一时刻预测误差，并检验加噪后的稳健性；这只能检验预测机制，不构成 BCI 解码有效性的证据。已有 EEG 相关工作尚未检索确认。