STG-Mamba：基于选择性状态空间模型的时空图学习

STG-Mamba 面向动态、异质且非平稳的时空图（STG）预测，将图网络视为随时间演化的系统，结合选择性状态空间模型与图表示学习。基于摘要分析，未取得论文全文；研究主要对象是通用时空图预测，而非 EEG 或 BCI。 核心机制：作者提出 Spatial-Temporal Selective State Space Module（ST-S3M），用于选择性地建模 STG 潜在特征及系统的时间状态演化；同时提出 Kalman Filtering Graph Neural Networks（KFGN），通过基于 Kalman Filtering 统计理论的可学习方法，动态整合和更新不同时间粒度的 STG 嵌入。相较于作者所描述的偏重节点关系建模的 GNN 方法，其着眼点是联合刻画图结构与系统内在状态的时间变化。具体状态更新、选择机制、滤波参数化方式、损失函数及训练流程尚未验证。作者将该工作称为选择性状态空间模型用于 STG 学习的首次探索，这一优先性主张尚未独立核实。 结果与复现：作者报告在三个 STG 预测基准数据集上，STG-Mamba 的预测性能优于所比较的现有方法，并降低 FLOPs 和测试推理时间。摘要未提供数据集名称、划分、指标、具体分数或计算测量条件，因此无法量化收益或判断不同设置下的可比性；实验协议、消融及统计信息尚未验证。摘要提供了实现代码地址，但代码内容、运行环境和复现完整性尚未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为序列，选择性状态演化与多时间粒度融合可能对应 EEG 非平稳性及跨时间尺度依赖问题。可考虑复用状态空间建模与表示融合思路，但需改造通道图构建、输入特征及任务输出；原方法依赖的图结构、监督方式和训练规模仍需查阅正文。低信噪比、通道配置变化、被试差异及小数据可能使状态选择或滤波估计不稳定。一个可证伪的小实验是在固定被试内 EEG 划分下，比较完整组合与去除 KFGN 的版本，并在匹配训练预算的前提下检验任务指标、推理成本及加噪后的稳定性。原领域结果不构成 BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。