MambaMoE：用于高光谱图像分类的光谱–空间混合专家状态空间模型

基于摘要分析。研究面向高光谱图像（HSI）分类，针对现有 Mamba 方法对不同地物类型的方向建模异质性考虑不足的问题，提出光谱–空间混合专家框架 MambaMoE，通过自适应专家激活和不确定性引导学习改善复杂区域的特征建模。 核心机制包括 Mixture of Mamba Expert Block（MoMEB）与 uncertainty-guided corrective learning（UGCL）。MoMEB 采用稀疏专家激活，实现自适应光谱–空间特征建模；UGCL 从预测不确定性较高的区域动态采样监督信号，引导模型细化易产生预测歧义区域的表示。摘要未说明专家数量、路由规则、不确定性计算方式、监督信号来源及具体损失形式，这些实现条件尚未验证。作者声称这是 HSI 分类领域首个基于 MoE 的方法，该优先性尚未独立核实。 作者报告，在多个公开 HSI 基准数据集上，MambaMoE 相较现有先进方法，尤其是 Mamba 方法，在分类准确率与计算效率方面取得领先表现。摘要未提供数据集名称、训练与测试划分、指标数值、效率测量条件或具体基线，因此尚不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。代码在摘要中被表述为将公开，当前可用性尚未验证。 平台推测（待验证）：可迁移的机制假设是，以稀疏专家处理异质结构，并利用不确定性分配监督学习重点；其原始依赖是具有光谱与空间结构的图像及区域监督。对应 EEG 时，可探索通道–时间模式及跨被试差异，但不能将光谱维直接等同于 EEG 频段，需改造输入表示、专家路由与不确定性采样单位。低信噪比可能使采样偏向伪迹，小数据可能导致专家训练不足，通道差异也可能破坏路由稳定性。一个可证伪的小实验是在固定跨被试划分、仅使用训练集标签的前提下，以单一 Mamba 为对照，分别加入稀疏专家和 UGCL，比较同一指标、计算成本与伪迹敏感性。相关 EEG 工作尚未检索确认。