状态空间模型的无状态推理：传递函数方法

基于摘要分析。该研究面向深度学习中的序列建模，通过状态空间模型的对偶表示——传递函数——设计序列并行的无状态推理算法，旨在避免状态规模增大带来的显著内存与计算开销。其主要研究对象是通用序列建模，并非 EEG 或 BCI。 核心机制是对频域传递函数进行参数化，利用该表示的性质，通过一次 Fast Fourier Transform 直接计算对应卷积核的频谱。作者称，该推理算法的内存与计算成本不会随状态规模增加而显著增长；但摘要不足以确认其完整复杂度、适用条件，以及序列长度增长时的开销。参数化具体形式、训练目标和推理实现尚未验证。 作者报告，在 Long Range Arena benchmark 上，跨多个序列长度与状态规模的实验中，相比采用时域参数化的 S4 层，训练速度平均提升 35%；作者同时称，下游性能达到其他无注意力方法中的领先水平，但摘要未给出具体任务分数及比较范围。语言建模实验中，作者报告，仅引入该传递函数参数化即可相对长卷积 Hyena 基线改善 perplexity，具体数据集、数值与训练配置尚未验证。上述结果不能直接解释为在线流式推理加速或 EEG 解码收益。摘要提供了代码地址，复现仍需核对硬件、计时范围、模型配置、数据划分、消融及统计信息。 平台推测（待验证）：若 EEG 任务需要对较长时间窗进行序列建模，该频域卷积机制可能降低扩大状态规模的工程成本。可复用部分是传递函数参数化与卷积核频谱计算；需适配的部分包括多通道输入、采样率、时间窗及任务读出。其原始证据来自通用序列和语言建模，不能据此确定所需 EEG 数据规模或监督条件。低信噪比、跨被试分布变化、通道差异及小数据过拟合都可能使原领域收益无法迁移。一个可检验的小实验是在固定 EEG 数据划分下，分别按被试内与跨被试协议比较该方法与 S4，保持输入窗口、训练预算和硬件一致，同时记录任务指标、训练耗时及峰值显存。已有 EEG 相关工作尚未检索确认。