Mamba-Adaptor：用于视觉识别的状态空间模型适配器

基于摘要分析。本文研究 Mamba 应用于视觉识别时的上下文访问、长程遗忘及空间结构建模问题，提出由 Adaptor-T 与 Adapator-S 两个功能模块组成的 Mamba-Adaptor。主要研究对象是视觉任务中的状态空间模型，而非 EEG 或 BCI。 机制上，Adaptor-T 在 SSM 隐状态计算过程中选择一组可学习位置，将相应特征状态作为记忆增强，以缓解长程遗忘；Adapator-S 使用多尺度空洞卷积核增强输出特征的空间建模，并引入图像归纳偏置。作者认为，两者通过补充原有顺序计算难以访问的特征，扩大上下文建模范围。摘要将相关计算表述为“casual computing”，其确切含义及访问范围需核对正文，不能据此断言具体的因果约束或实现形式。 作者探索三种用法：作为通用视觉骨干网络、作为提升预训练骨干性能的增强模块，以及作为迁移学习中的高效微调模块。作者报告实验支持这三种设置的有效性，并声称在 ImageNet 和 COCO 上达到领先性能；摘要未给出具体任务配置、指标、数值、对照基线或计算成本，因此无法判断性能增益与效率收益的幅度。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：记忆增强可能对应长序列 EEG 建模中的远距离信息保留瓶颈，但其依赖可学习位置选择，位置含义能否跨被试、跨会话保持稳定仍需评估。空间模块则依赖图像式局部结构，迁移到 EEG 需按电极布局改造，不能直接把通道序列视作图像网格。低信噪比可能使记忆模块保留伪迹，通道差异与小数据训练也可能削弱空间归纳偏置的收益。一个可检验的小实验是在固定的跨被试 EEG 划分下，对同一 Mamba 基线分别加入记忆模块和适配电极布局的空间模块，比较任务指标、计算成本及通道扰动下的稳定性；这只是迁移假设，已有 EEG 相关工作尚未检索确认。