状态空间模型作为基础模型：控制理论视角的概述

基于摘要分析。本文研究线性状态空间模型（SSM）如何融入基础模型的深度序列架构，面向控制理论研究者介绍相关方法，并从控制理论视角系统综述主要 SSM 方案、比较其长序列学习表现。其贡献是梳理与比较既有架构，而非发布新的基础模型或权重。 核心联系在于：基础模型将序列编码到潜在空间以学习压缩表示，而控制理论中的 SSM 用于高效描述动态系统，两者可通过状态表示与序列动态建模建立联系。摘要以 Mamba 为背景，并提及其在语言任务中相对 Transformer 的性能优势；这属于作者对既有研究的概述，不能视为本文已验证的普遍结论。具体架构、状态更新形式、训练目标及各模型的差异尚未验证。 作者说明进行了标准化基准比较，以评估模型学习长序列的效率，但摘要未提供基准名称、数据结构、评价指标、对照设置或结果数值，因此无法据此判断哪种模型更优。实验协议、消融及统计信息尚未验证，复现还需核对全文中的模型配置、训练预算与评估实现。 平台推测（待验证）：若 SSM 的状态表示能够保留 EEG 中与任务相关的长时依赖，其序列建模机制可能用于处理长时间窗信号；这是迁移假设，并非本文的 EEG/BCI 结果。可考虑复用状态更新与序列编码模块，但输入表示、多通道融合及任务输出需针对 EEG 改造。低信噪比、跨被试差异、通道变化和小数据条件可能使状态表示保留噪声或产生过拟合。一个可证伪的小实验是在固定 EEG 数据划分、预处理和训练预算下，对比 SSM 与 Transformer，分别记录分类指标、不同窗口长度下的表现及计算开销，不混合被试内与跨被试结果。已有 EEG 相关工作尚未检索确认。