理解 Mamba 的输入选择性：对函数逼近能力、记忆保持与关联召回容量的影响

基于摘要分析。本文研究 Mamba 的输入选择性如何影响函数逼近、长期记忆保持和关联召回，并探讨其与架构中卷积、门控等操作的关系。核心贡献是通过理论构造和具体任务上的实证，为 Mamba 的能力提供机制解释，而非提出 EEG 或 BCI 方法。 作者报告，Mamba 的 S6 层能够表示到 Haar wavelets 上的投影，相较其前身 Diagonal SSM（S4D），在逼近不连续函数方面具有优势；同时，S6 层可以动态抵消记忆衰减。针对 MQAR 关联召回任务，作者给出了采用 Mamba、Mamba-2 和 S4D 等不同 mixer 的 Mamba 架构解析解，并报告以具体任务上的实证结果验证理论构造的紧致性。摘要未提供具体分数、任务配置或比较协议，因此尚不能判断这些结论在何种模型规模、序列长度及训练条件下成立；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务确实依赖稀疏关键时间片段及较长时间间隔的信息保持，输入依赖的状态更新可能具有可检验价值，但原文关于不连续函数和关联召回的结论不等于 EEG 解码有效性。可复用的是输入选择性与记忆保持的分析视角；需改造的是 EEG 输入表示及任务输出。低信噪比可能使选择机制追踪伪迹，跨被试、通道配置变化和小样本条件也可能削弱效果。一个小规模检验是假设：在相同 EEG 表示、训练预算及固定被试内划分下，比较具备与不具备输入选择性的匹配模型，逐步延长关键片段间隔，观察性能下降是否减缓。相关 EEG 工作尚未检索确认。