DGMamba：通过广义状态空间模型实现域泛化

基于摘要分析。DGMamba 研究视觉域泛化中的分布偏移问题，尝试在保留 Mamba 全局感受野与线性复杂度优势的同时，通过抑制域特异隐藏状态、调整图像 patch 扫描和组合方式，提高对未见域的泛化能力。 核心机制包括 Hidden State Suppressing（HSS）与 Semantic-aware Patch Refining（SPR）。HSS 用于减轻与域特异特征相关的隐藏状态对输出预测的影响。SPR 旨在让模型更多关注对象而非上下文，包含 Prior-Free Scanning（PFS）和 Domain Context Interchange（DCI）：PFS 打乱图像中的非语义 patch，构造更灵活的序列；DCI 通过跨域融合 patch，将不匹配的非语义与语义信息组合起来，对 Mamba 施加正则化。摘要未提供隐藏状态识别与抑制的具体实现、语义 patch 判定方法或损失形式。 作者报告，在四个常用 DG benchmark 上，DGMamba 获得优于所比较先进模型的结果；摘要未列出 benchmark 名称、指标数值、训练与测试域划分及具体基线，因此尚不能判断收益幅度及各模块贡献。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，并非已确认发布。 平台推测（待验证）：假设 EEG 中也能区分任务相关信息与被试或会话特异背景，HSS 的抑制思路可能对应跨被试、跨会话分布偏移；但图像对象与背景的划分不能直接等同于 EEG 的时间段或通道。可考虑复用隐藏状态抑制与背景重组思路，需改造 patch 定义、任务相关性判定及扫描顺序，避免破坏时序和通道关系。低信噪比、小数据及被试间差异可能使判定不稳定，误抑制有效信号。一个可证伪的小实验是在固定跨被试划分下，对比基础 Mamba 与仅加入 HSS 的版本，保持训练数据和调参预算一致，检查未见被试表现是否改善；这一迁移假设尚无本文证据支持，已有 EEG 相关工作尚未检索确认。