基于单条时间序列的稳定选择性状态空间模型的 PAC 可学习性

基于摘要分析。本文研究一类稳定 selective State-Space Models（SSMs）能否仅从单条时间序列中学习，核心贡献是提出具体学习算法，并给出参数估计及相应预测误差的有限样本 PAC 保证。研究对象是具有特定结构的动力系统，并非对完整 Mamba 架构的一般性学习保证。 该模型的状态转移、输入及读出映射均可依赖当前输入，且被限制为当前输入适当特征的仿射函数。这种输入依赖机制也见于 Mamba 和 Linear Parameter-Varying（LPV）系统。所提算法扩展了线性系统中基于实现理论的 Ho–Kalman 学习算法，依赖估计 SSM 的 Markov parameters。 作者报告，在所研究模型类别及论文相应假设下，该算法具有有限样本概率误差界，速率为 Õ(1/N^ζ)，其中 ζ≤1/2；该界针对参数估计误差，并进一步关联预测误差。作者据此认为，这一模型类满足单轨迹版本的 PAC 可学习性，即数据点充分时，可用足够高的概率达到所需精度。摘要未展开稳定性、输入激励、噪声、可辨识性及特征构造条件，也未给出实验结果；具体定理条件、样本复杂度常数、实验协议及统计信息尚未验证。 平台推测（待验证）：其单轨迹学习机制可能为连续 EEG 动力学建模提供理论参照，但原领域保证不等于 BCI 有效性。可复用部分是输入依赖动力学的参数化及基于 Markov parameters 的辨识思路；需先明确 EEG 场景中何者是系统输入、何者是观测输出，再适配特征与噪声模型。低信噪比、非平稳性、通道差异及短记录可能使估计不稳定或使定理条件不成立。一个可证伪的小实验是假设有同步外部刺激输入和连续 EEG 输出，在单条记录的连续训练段辨识模型，并于后续留出段检验预测误差随训练长度的变化，与线性 SSM 对照；该实验只能检验建模适用性，不能直接验证 PAC 定理。相关 EEG 工作尚未检索确认。