CCMamba：从因果扫描到组合复形上关联结构混合的阶感知状态空间建模

基于摘要分析。本文研究选择性状态空间模型（SSMs）的有序扫描与组合复形缺乏规范胞腔排序之间的矛盾，提出 Combinatorial Complex Mamba（CCMamba），通过基于关联关系的跨阶提升与两种结构化混合器，建模图、超图、单纯复形和胞腔复形上的关系。 核心机制是区分混合算子的支持结构与因子化的内容依赖交互。作者指出，因果选择性扫描产生位置依赖的块下三角混合，因此将结构线性化可能引入顺序依赖。CCMamba-S 保留双向选择性 SSM 扫描及高效融合序列处理，但仍对阶内排序敏感；CCMamba-K 则以关联关系支持、与索引无关的结构门控和因子化核混合替代因果序列支持，无须胞腔线性化即可实现置换等变混合。 作者报告对因果扫描的顺序敏感性进行了刻画，建立了 CCMamba-K 的置换等变性与结构因子化性质，并在明确假设下给出表达能力的条件性刻画。其适用假设与证明范围需通过全文核对，不能将条件性结论扩展为无条件表达能力保证。 在图、超图、单纯复形及胞腔复形基准上，作者报告 CCMamba 具有竞争性的预测表现，并在若干高阶设置中相较所评估的注意力基线具有内存与运行时间优势。摘要未提供具体基准名称、划分、数值、硬件或规模，实验协议、消融及统计信息尚未验证。材料提供匿名代码入口，但实现完整性与复现条件尚未核验。 平台推测（待验证）：若 EEG 通道及其多通道关系能构成有意义的组合复形，CCMamba-K 的置换等变混合可能减少任意通道排序带来的预测波动。可复用部分是关联支持的混合机制；需改造的是 EEG 特征编码、跨阶关系构建与任务读出。该假设依赖可靠的结构关系与足够的任务监督，低信噪比、跨被试关系变化、通道缺失及小数据可能使高阶结构不稳定。一个可检验的小实验是在固定跨被试划分与结构构建规则下，对通道和关联结构同步重编号，比较 CCMamba-S 与 CCMamba-K 的预测一致性及任务指标；这只能检验排序敏感性与迁移表现，不能预设性能提升。已有 EEG 相关工作尚未检索确认。