从统一视角揭示线性复杂度序列模型的机制

基于摘要分析。本文研究不同线性复杂度序列建模方法之间的共同机制，提出 Linear Complexity Sequence Model（LCSM）统一框架，将 linear attention、state space model、long convolution 和 linear RNN 纳入同一分析视角。主要贡献是以三阶段分解比较各类模型的组件设置及其任务表现，而非在摘要中确立某一种模型的普遍优势。 核心机制：框架将建模过程划分为 Expand、Oscillation 和 Shrink（EOS）。Expand 将输入信号投影到高维记忆状态；Oscillation 对记忆状态执行递归操作；Shrink 再将记忆状态投影回低维空间。不同模型对应不同阶段设置。摘要未提供这些操作的具体方程、参数化方式、损失或训练细节，不能据此推断各模型在数学上完全等价。 结果与证据边界：作者报告，在语言建模和检索任务中比较不同阶段设置后，数据驱动方法对语言建模中的三个阶段有效性至关重要，而手工设计方法在检索任务中表现更好。摘要未给出数据集、评价指标、性能数值、数据划分或对照配置，因此该结论应限定于文中所评估的任务与设置；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EOS 分解能够用于分析 EEG 长序列建模中输入映射、时序记忆更新与输出读出的作用，线性复杂度计算结构也可能对应长时间窗处理的计算瓶颈。可复用的是阶段化分析思路；需改造的是多通道输入表示及 EEG 任务读出。原文证据依赖语言建模和检索任务，其数据结构、监督方式与规模尚未明确，不能直接迁移结果。低信噪比、通道变化、被试差异与小数据可能使高维记忆保留噪声或学习被试特异模式。一个可检验的小实验是在固定 EEG 数据划分和相近参数预算下，仅替换一个阶段的数据驱动与手工设计设置，比较相同指标及计算开销，并分别报告被试内与跨被试结果。已有 EEG 相关工作尚未检索确认。