DAG-MAMBA：面向有向无环图状态空间模型的结构感知选择性

基于摘要分析。该研究针对有向无环图（DAG）仅定义偏序、而顺序敏感的状态空间模型（SSM）需要节点序列这一结构失配，提出 DAG-MAMBA：将节点依赖关系与按深度组织的粗粒度序列分离，避免学习结果过度依赖任意拓扑序。 机制上，局部关系与有界可达性分支分别保留直接连接及前驱—后继关系；具有相同最长路径深度的节点被池化为前沿 token，再由 Mamba 学习跨前沿混合。该前沿表示被刻意设计为非单射，因此不同图结构可能映射到相同的粗粒度表示，必须与图结构分支互补，而不能替代它们。 作者报告，在代码、引用关系与神经架构 DAG 的若干任务上，完整实例化显著优于朴素序列化 Mamba，并与较强的图/DAG 基线保持竞争力。作者还报告，在三个消融任务中，以摘要所称的 identical leading-edge mixer 替换学习式 Mamba 传递，可达到或超过完整模型；该替换模块的精确定义尚待正文核对。这支持作者的限定性结论：序列鲁棒性主要由 DAG 接口提供，学习式跨前沿混合的增益依赖任务，不能据此认定选择性扫描对 DAG 学习普遍必要。具体数据集、划分、指标、效应量、实验协议、消融细节及统计信息尚未验证。摘要提供了实现仓库地址，但代码可运行性与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务已有明确的有向无环事件或处理依赖图，该接口可能用于减少任意节点序列带来的表示波动；这不是已证实的 BCI 效果，也不直接适用于普通通道连接图。可复用的是结构分支与深度前沿组织方式，需改造节点特征编码及图构建。低信噪比、跨被试结构变化、通道缺失和小数据可能使依赖图不稳定，前沿池化也可能丢失判别信息。小规模检验可固定同一 EEG 图及数据划分，仅改变合法拓扑序，对比朴素序列化 Mamba 与该结构接口的预测一致性及任务指标，并单独替换跨前沿混合模块。已有 EEG 相关工作尚未检索确认。