Social-Mamba：基于状态空间模型的高效人类轨迹预测

基于摘要分析。本文研究拥挤环境中的人类轨迹预测，提出 Social-Mamba，将动态、非结构化的社会交互重构为结构化序列过程，以兼顾预测精度与计算效率；其主要对象是行人及其交互，而非 EEG 或 BCI。 机制上，论文针对注意力机制随邻居数量增长产生的二次计算成本，以及 Selective State-Space Models 的顺序结构与社会交互组织方式不匹配的问题，引入 Cycle Mamba block，以支持连续的双向信息流。Social-Mamba 将个体排列到具有语义顺序的自我中心网格，并通过 social triplet factorization 将交互分解为时间、自我中心和目标中心三类扫描，再用可学习的 social gate 与 global scan 动态整合。摘要未提供网格排序规则、目标信息来源、模块具体运算、损失或训练流程，这些实现细节尚未验证。 作者报告，在五个轨迹预测基准上，Social-Mamba 达到当前最佳预测精度，并具有更好的参数效率与计算扩展性；作者还报告，将其嵌入 flow-matching 框架可进一步改善精度与效率。摘要未列出基准名称、数据划分、对照方法、具体指标和数值，因此这些结论仍需结合完整实验协议核对，消融及统计信息尚未验证。 平台推测（待验证）：其有序扫描与门控融合机制可能为 EEG 多通道时空依赖建模提供参考，但这只是迁移假设。原方法依赖个体交互及其时空、目标结构，不能直接等同于电极关系；可考虑复用扫描和融合思想，同时将网格与目标中心组织改造为基于电极位置或可验证关系的组织方式。低信噪比、跨被试差异、通道配置变化及小数据训练可能使排序或门控失效。一个可证伪的小实验是在同一 EEG 数据集、固定被试内划分和相近参数预算下，对比普通状态空间模型与加入通道有序扫描及门控的版本，并用随机通道顺序检验收益是否确实来自结构组织。已有 EEG 相关工作尚未检索确认。