LSTM 神经网络：输入到状态稳定性与概率安全验证

基于摘要分析。本文研究 LSTM 神经网络的动力系统性质，将其经典递推方程改写为时不变非线性状态空间系统，并给出保证输入到状态稳定性（Input-to-State Stability，ISS）的充分条件；此外，提出基于 scenario algorithm 的概率安全验证方法。 核心机制是将递归网络的内部状态及其演化纳入动力系统分析。ISS 关注系统状态如何受初始状态和外部输入影响，但摘要未提供充分条件的具体形式、对网络权重或输入的约束，以及条件是否易于在训练后检查。概率安全验证部分的安全集合、场景采样分布、样本量及概率保证也尚未验证，不能将 ISS 直接等同于任务输出安全或预测准确。 作者报告将所提方法用于 pH 中和过程测试；摘要未给出定量结果、对照基线或验证协议，因此无法判断其性能优势与实际保守程度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其与 EEG 的可能对应关系是递归解码器在有界噪声或输入扰动下的内部状态稳定性，而非已证实的 BCI 性能提升。若用于 EEG，可能复用状态空间表述与稳定性检查思路，但需重新界定输入归一化、扰动范围、状态初始化和任务安全集合；低信噪比、跨被试分布变化与通道变化可能使既定假设失效。一个可检验的小实验是在固定被试内数据划分与同一 LSTM 上，核对其是否满足论文充分条件，再对有界输入扰动下的状态轨迹与解码误差分别评估；不满足充分条件并不意味着系统不稳定。已有 EEG 相关工作尚未检索确认。