状态空间模型的表达能力：形式语言视角

基于摘要分析。本文研究用于语言建模的线性状态空间模型（SSMs）的理论表达能力，将其与 transformers 和传统 RNN 比较，旨在为语言模型架构设计提供能力边界层面的依据，而非提出 EEG 或 BCI 方法。 作者报告，SSMs 与 transformers 的优势相互重叠但并不相同：在 star-free（无星）状态跟踪问题中，SSMs 能构造直接且精确的解，而 transformers 难以精确表示这些解；SSMs 还可在不模拟栈的情况下，以最优记忆量表示有界层级结构。这些结论针对特定形式语言问题，不能直接等同于实际语言建模性能优势。作者同时指出，当前 SSMs 的某项设计选择限制了表达能力，但摘要未说明该选择及相应理论条件。 作者报告在 Mamba 上进行了经验验证；具体任务、数据生成方式、模型配置、对照设置及结果指标尚未验证。定理适用的计算与记忆假设、实验协议、消融及统计信息也需结合全文核对。 平台推测（待验证）：若 EEG 解码任务确实依赖有限状态转移或有界层级时序结构，本文的理论视角可能帮助分析时序模型能否保留必要的历史信息；这是假设，不是已证实的 EEG/BCI 效果。形式符号序列与连续、低信噪比 EEG 的对应关系尚未建立，跨被试差异、通道变化及小数据条件也可能使理论能力无法转化为解码收益。现有材料不足以确定可复用的具体模块或设计可靠的迁移实验，已有 EEG 相关工作尚未检索确认。