PDE-SSM：面向 Diffusion Transformers 空间混合的谱域状态空间方法

基于摘要分析。该研究针对视觉 Transformer 在生成建模中自注意力的二次计算成本与较弱空间归纳偏置，提出空间状态空间模块 PDE-SSM，以可学习的对流–扩散–反应偏微分方程替代注意力，并将其集成到 flow-matching 生成模型中，构建 PDE-SSM-DiT。 核心机制是通过具有物理动机的动力学描述空间信息流，而非直接执行所有 token 两两交互；在 Fourier 域求解 PDE，实现全局耦合。作者给出的复杂度为 O(N log N)，但摘要未说明 N 的具体计数方式、边界条件、离散化方案及可学习系数的参数化形式，尚不能判断这些设计对表达能力和实际效率的影响。其主要方法价值在于将多维 PDE 算子作为具有空间先验的注意力替代模块，而非仅将一维 SSM 直接用于视觉序列。 作者报告，PDE-SSM-DiT 在其生成建模评估中达到或超过所比较的先进 Diffusion Transformers，同时显著降低计算量；摘要未提供数据集、指标、具体基线、训练预算或降幅，因此该结论的适用范围及公平对照条件尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 空间表征能构成有意义的规则网格，该空间传播机制可能用于建模通道间关系；这是迁移假设，并非本文已证实的 BCI 效果。可复用部分是谱域 PDE 空间混合模块，需改造部分包括不规则电极布局映射、缺失通道处理及与时间建模模块的接口。规则网格假设、空间平滑可能削弱局部判别信号，低信噪比、跨被试电极差异及小数据也可能使可学习动力学不稳定。可检验的小实验是在固定 EEG 任务、数据划分与训练预算下，仅替换空间混合模块，与注意力模块比较任务指标、计算成本及通道扰动敏感性。已有 EEG 相关工作尚未检索确认。