WaLRUS：利用状态空间方法实现长程表示的小波方法

基于摘要分析。该研究面向序列数据的在线函数逼近与长程依赖表示，提出 WaLRUS（Wavelets for Long-range Representation Using SSMs），在 SaFARi 框架下使用 Daubechies 小波框架构建状态空间模型（SSMs），以改善非光滑信号和瞬态信号的表示。 机制与创新：摘要指出，HiPPO 等方法依赖特定、性质良好的基函数及其闭式解；SaFARi 则支持从任意框架构建 SSM，包括非正交和冗余框架。WaLRUS 是这一通用框架的小波实例，包含 scaled-Walrus 与 translated-Walrus 两种变体，利用小波的多分辨率与局部化特征。摘要未展开两种变体的构造公式、状态更新、训练方式或计算复杂度，不能据其名称推定具体实现。 结果与证据边界：作者报告，在在线函数逼近任务中，与基于 HiPPO 的模型相比，WaLRUS 获得更高的逼近精度、更好的数值性质和更高效的实现。摘要未提供测试信号、数据划分、具体基线配置、误差指标或效率数值，实验协议、消融及统计信息尚未验证；这些结论不能直接视为下游分类或 BCI 解码效果。 平台推测（待验证）：假设小波局部化表示能够在保留较长历史信息的同时捕捉 EEG 的短暂变化，可探索其作为流式 EEG 表示模块的用途。原研究依赖序列的在线函数表示，而非摘要中已验证的 EEG 标签监督任务。可复用部分是小波框架与状态更新机制，需改造多通道输入、采样尺度及任务读出；低信噪比、伪迹、跨被试差异和小数据可能使局部瞬态表示偏向噪声。一个可证伪的小实验是在固定 EEG 划分、预处理、状态维度和读出条件下，对比 WaLRUS 与 HiPPO 的在线信号重建误差、瞬态保真度及计算开销，再判断是否值得进入解码评估。已有 EEG 相关工作尚未检索确认。