具有可学习记忆动力学的分数阶状态空间模型

基于摘要分析。本文研究如何为结构化状态空间模型（SSMs）引入显式、可学习的长期历史依赖，并控制由此产生的计算与缓存成本。核心贡献是采用可学习阶数 α∈(0,1] 的 Caputo 导数构建分数阶状态空间框架，并从同一卷积求积离散化推导并行训练与因果流式推理两种实现。 在连续形式中，α=1 对应普通一阶 SSM；当 0<α<1 时，状态演化非局部地依赖过去状态，α 调节历史权重及稳定松弛模态的长时间代数衰减。直接计算历史依赖需要持续增长的缓存，累计计算量为二次量级。并行训练实现通过离散传递函数的轮廓采样与逆 FFT 构造近似核，再以 FFT 卷积处理序列；流式推理则将近期状态缓冲区与离散历史尾部的指数和近似结合。两者近似同一个离散分数阶算子。作者说明，在模型维度与压缩设置固定时，流式缓存大小不随已处理 token 数增长，但尾部近似是在指定时间范围内拟合，不能据此推断任意长序列上的误差保证。 作者报告在 Long Range Arena、原始波形 Speech Commands 分类及 BIDMC 心率估计上开展实验，展示框架在不同序列领域的适用性，并以 α=1 为受控对照检验分数阶历史是否提高对应整数阶模型的表征能力。摘要未提供具体分数、数据划分或提升幅度；实验协议、消融及统计信息尚未验证。复现需核对 α 的学习方式、离散化参数、核与尾部近似精度、拟合时间范围，以及训练和流式推理的数值一致性。 平台推测（待验证）：显式历史加权可能对应 EEG 长时依赖建模的需求，可复用分数阶算子及历史压缩机制，但需适配多通道输入、采样时间尺度和任务监督。该假设不等于已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。低信噪比下历史累积可能保留噪声，跨被试或通道变化可能改变适宜记忆尺度，小数据也可能使 α 学习不稳定。可在固定 EEG 任务与相同被试内划分下，对照可学习 α 和 α=1，保持其余模型与训练条件一致，检验任务指标、流式误差及缓存开销，并测试超出尾部拟合范围后的稳定性。