Chimera：利用二维状态空间模型有效建模多变量时间序列

基于摘要分析。本文研究多变量时间序列中的长期演化、季节性模式及变量间信息流，提出 Chimera，以两个输入依赖的二维状态空间模型（2-D SSM）头联合建模时间与变量维度，并通过二维并行 selective scan 提高复杂二维递推的训练效率。 核心机制是让两个二维 SSM 头采用不同的离散化过程，分别学习长期演化与季节性模式。作者将现有 SSM 方法的局限概括为非线性表达、复杂模式刻画、时间与变量依赖的动态建模或输入依赖性不足，并将二维 Mamba 与 Mamba-2 作为所提二维 SSM 的特例进行讨论。摘要未给出状态更新方程、两头融合方式、具体离散化方案、损失函数或计算复杂度，相关实现细节尚未验证。 作者报告，Chimera 在 ECG 与语音时间序列分类、长期与短期时间序列预测、时间序列异常检测等多类基准上表现优于对照方法；摘要未列出数据集、划分协议、基线、指标及数值，因此无法判断优势幅度或跨任务一致性。实验协议、消融及统计信息尚未验证，代码与复现条件也未从所给材料确认。ECG 分类结果不能视为 EEG 或 BCI 有效性的证据。 平台推测（待验证）：其机制可能对应多通道 EEG 中时间依赖与通道间交互的联合建模需求。迁移假设依赖于通道结构可被合理编码，并有足够训练数据学习输入依赖关系；二维状态更新与并行扫描可能可复用，而通道表示、任务输出及季节性建模设定需适配。低信噪比、跨被试差异、通道排列或缺失，以及小数据条件可能削弱收益，EEG 中也不一定存在原任务所需的季节性结构。一个可检验的小实验是在固定 EEG 数据划分和训练预算下，对比完整 Chimera 与仅沿时间维建模的 SSM，并核对通道顺序扰动下的表现及训练效率；已有 EEG 相关工作尚未检索确认。