深度状态空间模型中 HiPPO-LegS ODE 的数值分析

基于摘要分析。本文研究深度状态空间模型所用 HiPPO（High-order Polynomial Projection Operators）记忆单元的数学基础，重点分析具有奇异性的 HiPPO-LegS（Legendre Scaled）常微分方程（ODE）及其数值离散化。作者报告，该 ODE 尽管存在奇异性仍具有适定性，但初始条件不能任意指定；对于黎曼可积的输入函数，相关数值离散化格式具有收敛性。 HiPPO 通过 ODE 近似输入函数的连续时间轨迹，为长序列依赖建模提供记忆表示。本文的主要贡献是理论分析，而非提出新的网络架构或展示任务性能提升。其关键阅读价值在于厘清连续时间模型的解何时成立，以及离散计算何时能够收敛到相应连续解。具体允许的初始条件、适定性的数学定义、离散化格式、收敛阶及误差界尚未验证，不能将摘要中的收敛结论直接解释为任意步长下的稳定性或预测性能保证。 平台推测（待验证）：若 EEG 长序列模型采用 HiPPO-LegS 记忆机制，该分析可能有助于核对状态初始化和时间离散化是否符合理论条件。可复用的是记忆动力学及其数值分析框架；需要按 EEG 的采样方式、序列起点与通道组织改造输入表示和初始化。低信噪比、跨被试分布变化及小数据条件下的泛化问题，并不由 ODE 适定性或离散化收敛性自动解决。一个可检验的小实验是固定同一段 EEG 及输入插值方式，在核对论文允许的初始化后比较不同离散步长下记忆状态的误差与稳定性，再单独评估下游任务指标，避免混淆数值收敛与解码有效性。已有 EEG 相关工作尚未检索确认；全文证明、实验协议、消融及统计信息尚未验证。