Fixed-Point RNNs：通过少量迭代从对角递归到稠密递归

基于摘要分析。该研究面向 Transformer 中的序列混合层，试图缓解线性 RNN 和 Mamba 等 SSM 采用逐通道、对角序列混合时的状态追踪表达能力限制。核心贡献是在单个层内，将稠密线性 RNN 的计算表述为可并行对角线性 RNN 的固定点，以兼顾跨通道状态交互与计算效率。 机制上，研究重点是从对角递归获得稠密递归能力，而非提出 EEG 专用模型。摘要还提到探索改善记忆和状态追踪能力的机制，但未提供固定点更新公式、收敛条件、迭代次数、训练损失或具体实现；标题中的“少量迭代”也没有可核对的数值。其相对于直接稠密递归及对角 SSM 的实际计算、存储优势尚未验证。 作者报告，在常用玩具任务 A_5、S_5、copying 和 modular arithmetics 上取得最先进结果。摘要未给出具体指标、数值、数据划分或对照基线，因此不能量化提升，也不能据此推断真实长序列任务上的效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务确实依赖持续状态更新及多通道特征交互，该固定点序列混合机制可能值得评估，但原文的玩具任务结果不是 BCI 有效性证据。可考虑复用递归混合模块，改造 EEG 输入编码与任务输出；低信噪比、通道差异及小样本可能使稠密交互放大噪声或增加过拟合风险。一个可证伪的小实验是在固定 EEG 编码器、训练预算和跨被试划分下，对比对角递归与固定点递归，考察迭代次数对任务指标、延迟和稳定性的影响。所需监督形式与数据规模尚未验证，已有 EEG 相关工作尚未检索确认。