长记忆状态空间模型：借助 HOPE 避免 HiPPO 初始化

基于摘要分析。本文研究用于长序列学习的线性时不变（LTI）状态空间模型（SSM），提出基于 Hankel 算子理论的参数化方案 HOPE，试图统一处理系统初始化与训练，并获得非衰减记忆能力。 核心机制：作者指出，现有相关 SSM 通常依赖专门设计的系统矩阵初始化、对数尺度上的小学习率训练，以及为保证 LTI 系统渐近稳定而采用的指数衰减记忆。HOPE 使用 Hankel 算子中的 Markov 参数来参数化 LTI 系统，并通过对其传递函数进行非均匀采样实现计算。作者报告，该方案允许随机初始化、改善训练稳定性，且相较于常规 SSM 所需参数更少。摘要未给出参数化公式、采样策略、损失函数及复杂度细节；非衰减记忆与系统稳定性的具体理论条件尚未验证。 实验依据：作者报告，在 Long-Range Arena（LRA）任务上，Hankel 算子参数化的 SSM 优于采用 HiPPO 初始化的 S4、S4D 等模型；另以带填充噪声的 sequential CIFAR-10 任务检验长记忆能力。摘要未提供具体分数、参数规模、数据划分或训练预算，实验协议、消融及统计信息尚未验证，不能据此判断各项机制的独立贡献。 平台推测（待验证）：假设 EEG 任务确实依赖跨较长时间间隔的信息，HOPE 的记忆参数化可能有助于缓解远距离信息衰减，但原论文研究对象是通用长序列建模，并非 EEG/BCI。可复用部分是序列主干的参数化与传递函数计算；需改造输入编码、通道处理及任务输出。低信噪比下非衰减记忆可能保留无关噪声，跨被试与通道变化也可能削弱收益，小数据则可能不足以学习有效的长程结构。可先在固定被试内划分的 EEG 任务上，以匹配参数量和训练预算的 HOPE、S4D 对照，逐步增加无关时间片段，检验性能随间隔增长的变化。已有 EEG 相关工作尚未检索确认。