TaylorSSM：选择性状态空间模型的依赖保持鲁棒性认证

基于摘要分析。本文研究 Mamba 风格分类器的鲁棒性认证：同一输入扰动既影响递归状态，也影响依赖输入的状态更新与读出规则，分别界定这些影响可能使认证界变松。作者提出 TaylorSSM，通过保留共享输入依赖的可靠多项式界进行联合分析，并声称构建了首个面向此类分类器的端到端鲁棒性验证器。 核心机制是先结合共享扰动所产生的贡献，再对联合效应求界，而不是将相关影响独立处理。摘要说明，这些多项式界既支持直接认证，也支持跨模块联合分析，以认证更大的扰动区域；中间界还可增强仿射界传播，并在 GenBaB 分支前收紧其界。具体多项式构造、阶数、可靠性论证及跨模块组合方式尚未验证。 作者报告，在所考察的认证案例中，该方法解决了 IBP 和 GenBaB 非线性分支定界未解决的案例。摘要未提供模型、数据集、扰动范数与半径、认证成功率、运行时间或资源开销，因此不能判断收益规模，也不能将案例结果推广为普遍优于对照。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类器采用输入依赖的选择性状态空间机制，保留共享扰动依赖可能有助于减少认证界的松弛；这一假设依赖模型计算结构和明确的输入扰动集合，不等于已证实的 BCI 鲁棒性。可复用的是依赖保持求界与跨模块联合分析思路，需改造或核对的是 EEG 预处理、分类头及扰动模型。低信噪比、多通道输入可能增加认证难度，跨被试变化也未必能由固定范数扰动表示。一个可检验的小实验是在同一小型 EEG Mamba 分类器、同一数据划分和扰动预算下，对比 TaylorSSM 与 IBP 的认证成功率及耗时；已有 EEG 相关工作尚未检索确认。