长记忆的代价：序列模型中的状态、上下文与稳定性复杂度

基于摘要分析。本文研究序列预测中的资源问题：给定预测记忆的衰减规律，准确预测需要多少状态、上下文长度，以及多接近动力学临界状态。核心贡献是在预测风险这一度量下，为典型代数衰减记忆目标建立匹配的近似上下界，并分析分数阶长记忆与非线性收缩递推的限制。 作者报告，对于所研究的代数衰减预测目标，最优 r 模态预测误差按 e^{-Θ(√r)} 衰减，因此达到误差 τ 需要 Θ(log²(1/τ)) 个状态或模态。该结论针对特定目标与风险定义，不能直接扩展为所有长序列任务的通用容量定律。相较于采用其他近似概念的既有 curse-of-memory 结果，本文强调同一预测目标下上下界的匹配。 对于真正的分数阶长记忆，作者指出误差须在分数阶积分后衡量，长度为 L 的有限上下文预测具有精确的 1/L 主导阶；固定分数阶强度 d 时，状态复杂度仍遵循上述平方对数规律。接近短记忆边界时，作者识别出 d² 与 d⁴ 尺度，并给出中间区域的统一构造规律，具体适用条件尚需全文核对。 对于状态动力学一致收缩的非线性上下文递推，作者推导指数型 first-chaos 包络及精度与收缩裕度之间的必要条件：在代数目标上使预测误差趋零，会迫使递推定量地接近临界状态，但这一条件本身不充分。作者报告，配合定理条件的状态空间、门控递推及注意力模型实验重现了容量与稳定性预测；匹配收缩率的指数记忆对照几乎可被精确拟合，提示误差下限取决于目标尾部与收缩裕度的兼容性，而非仅由代数衰减形式决定。实验协议、误差定义、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 预测目标确实具有相应的代数预测记忆，本文可能帮助区分有限上下文、状态容量和过强收缩导致的瓶颈；可复用的是复杂度分析与匹配尾部对照，需改造的是多通道观测与噪声假设。低信噪比、跨被试非平稳性及小数据可能掩盖该规律。可在固定被试内划分下改变状态容量、上下文和收缩裕度，检验预测误差趋势是否符合理论，并设置匹配指数记忆的合成对照。该实验不等同于 BCI 解码验证，已有 EEG 相关工作尚未检索确认。