揭示对角状态空间模型中的频谱偏置

基于摘要分析。本文研究对角状态空间模型（SSM）的初始化如何影响频率表征与学习偏置，并据此提出离散 Fourier 域初始化方法 S4D-DFouT；主要研究对象是通用长序列建模，而非 EEG 或 BCI。 现有 SSM 参数初始化主要依赖 HiPPO framework，其基础是正交多项式的在线近似。摘要指出，对角替代方案通过简化核计算提高效率，同时可达到相近性能，但 HiPPO framework 未显式研究这些对角变体的作用。本文从频率视角考察对角 SSM 的参数化与初始化，重点关注初始化时的极点配置及其所对应的学习偏置。S4D-DFouT 的具体参数构造、离散化方式、训练目标与计算开销尚未验证。 作者报告，基于极点配置的分析可进一步扩展模型，在 Long Range Arena benchmark 上取得 state-of-the-art 结果，并支持在 PathX-256 等大规模数据集上从头训练。摘要未提供具体分数、数据划分、对照基线或训练预算，因此不能量化其收益，也不能判断不同任务上的优势是否一致；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若初始化中的频谱偏置可控，该机制可能对应 EEG 长时序建模中不同频率成分学习不均衡的问题。可复用的是对角 SSM 与极点初始化思路；需按 EEG 采样率、目标频段和序列长度改造频率参数化，并验证多通道输入处理。低信噪比、跨被试频谱差异及小数据训练可能使预设偏置强化噪声或限制泛化。一个可检验的小实验是：在固定 EEG 任务、数据划分、模型规模与训练预算下，仅替换初始化方案，比较原始初始化与 S4D-DFouT 的任务指标及频段扰动敏感性；被试内与跨被试结果应分别报告。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。