FSSM：用于频谱表征学习的频率选择性状态空间模型

基于摘要分析。本文研究如何让状态空间模型根据任务学习频谱表征，提出 FSSM，以频率选择性谱算子参数化一族稳定、因果、具有频带选择性的核，并使谱权重受目标任务条件化。其主要研究对象是雷达目标检测与语音关键词识别，并非 EEG 或 BCI。 核心机制是可训练的谱前端，能够调整频率权重及频率 bin 间的窗口大小，使表征适应不同任务领域。摘要称该设计保留线性时间推理与线性内存复杂度；具体核参数化、稳定性约束、任务条件化方式、损失函数与训练流程尚未验证。作者声称这是首个具有频率选择性谱算子的状态空间模型，其优先性尚需文献核对。 作者报告，在雷达目标检测和语音关键词识别两个独立领域，FSSM 优于相应领域的先进频率方法，同时保持有竞争力的吞吐量与计算开销；作者还报告输入扰动下的鲁棒性表现。摘要未提供数据集、划分、基线名称、指标数值或扰动类型，因此不能量化优势，也不能据此判断跨领域迁移能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可学习频带选择机制可能对应 EEG 中任务相关频段突出、无关频率抑制的需求，但这是迁移假设，不是本文已证实的 BCI 效果。可复用候选是谱前端与稳定因果核；需改造多通道组织、采样率对应的频率尺度及任务输出。低信噪比、被试间频谱差异、通道配置变化与小数据均可能使学习到的频率权重过拟合。一个可证伪的小实验是，在同一 EEG 数据集的固定 Cross-subject 划分下，以相同训练预算比较可学习谱前端与固定频率权重版本，并分别核对原始输入和预定义频谱扰动下的同一任务指标。相关 EEG 工作尚未检索确认；复现仍需核对完整方法与实现条件。