Chimera：使用二维状态空间模型有效建模多变量时间序列

基于摘要分析。该研究针对多变量时间序列中长期演进、季节性模式、变量间依赖及长序列计算效率难以兼顾的问题，提出二维状态空间模型 Chimera，以输入依赖参数和二维并行 selective scan 联合建模时间与变量维度。 核心机制：Chimera 使用两个具有不同离散化过程的 SSM head，并通过参数设计保持表达能力与线性训练复杂度。作者声称，从理论上可证明该模型能够学习长期演进、季节性模式及所需的动态自回归过程；具体证明条件和适用范围尚未验证。为加速复杂的二维递推，作者提出新的二维并行 selective scan。摘要未给出离散化公式、参数生成方式、损失函数及复杂度对应的具体维度，不能据此判断推理成本或实际硬件收益。 评估范围：作者报告，Chimera 在 ECG 与语音时间序列分类、长期与短期时间序列预测、时间序列异常检测等多类基准上表现优于对照方法。摘要未提供数据集名称、划分协议、基线、指标或数值，因此只能确认作者报告的任务覆盖范围，不能量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，将 EEG 通道作为变量维度、采样点作为时间维度，二维递推可能联合表达长时依赖与跨通道关系，但通用时间序列结果不等于 BCI 有效性。可考虑复用输入依赖状态更新及并行扫描机制，并改造通道排列、缺失通道处理和任务输出模块；其依赖的变量结构、监督方式与训练规模需查阅全文确认。低信噪比、小数据、跨被试差异及通道顺序变化可能削弱收益。一个可证伪的小实验是：在固定 EEG 数据划分与训练预算下，对比完整二维建模和仅时间维建模，并测试通道顺序扰动后的性能变化，以区分跨通道收益与顺序敏感性。已有 EEG 相关工作尚未检索确认。