面向长程基因组学的状态空间模型零样本外推

基于摘要分析。该研究针对基因组模型难以泛化到训练窗口之外的问题，探索 State-Space Models（SSMs）的零样本长度外推能力，并提出 hidden-state transfer 机制以高效处理超长基因组序列。主要研究对象是基因组结构、功能及与基因表达相关的远端调控作用，并非 EEG 或 BCI。 作者报告，SSMs 无需专门微调即可外推至原始上下文长度的两个数量级，并借助 hidden-state transfer 在单张 GPU 上处理 1Mbp 的基因组序列。摘要将其与使用复杂位置嵌入、仍难以超出训练窗口泛化的 transformer 基因组模型对照，但未提供具体基线、原始训练窗口、任务指标或资源测量条件。因此，长度可扩展性、远端调控建模效果和资源效率应分别核对，不能仅凭可处理的序列长度认定预测性能得到保持。 摘要未展开隐藏状态的传递方式、训练目标、序列处理流程或评估数据。数据集、划分、基线配置、实验协议、消融及统计信息尚未验证；复现还需确认状态初始化与重置规则、硬件条件及实现是否公开。 平台推测（待验证）：若 hidden-state transfer 能在分段处理时保留有效的长程信息，它可能对应 EEG 长记录建模中的上下文与显存瓶颈。可考虑复用状态传递机制，但需改造多通道信号输入及任务监督；基因组序列上的有效性不等于 EEG 上有效，低信噪比、跨被试差异、通道变化及小数据训练均可能导致状态累积误差。一个可检验的小实验是在固定数据划分与任务指标下，用短窗口训练，在更长 EEG 记录上比较状态传递与状态重置，观察性能是否保持。相关 EEG 工作尚未检索确认。