MuonSSM：通过正交化状态空间模型实现序列建模

MuonSSM 面向通用长序列建模，针对状态空间模型（SSMs）在长时间跨度下的训练不稳定与记忆退化，提出通过调节记忆更新的几何性质改善稳定性的框架。基于摘要分析，未取得论文全文；原论文研究对象是语言、视觉与时间序列任务，并非已验证的 EEG 或 BCI 方法。 核心机制是在 SSM 中加入基于动量的路径，并对低秩输入注入应用轻量 Newton-Schulz 变换。其调节对象是记忆更新，而非循环转移矩阵；作者称该机制可产生有界、谱条件得到改善的更新，并保持并行扫描复杂度。具体变换公式、动量更新方式、低秩结构及额外计算成本尚未验证，不宜将其直接等同于对所有模型权重施加正交约束。 作者报告，理论分析支持该框架改善梯度传播、缓解谱放大并丰富长时间跨度的记忆表示；在语言、视觉和时间序列基准上，将其整合至不同 SSM 骨干后，准确率、鲁棒性及长上下文表现均有改善。摘要未提供基准名称、具体指标、数值、数据划分或对照配置，实验协议、消融及统计信息尚未验证，理论结论的适用条件也需查阅全文。 平台推测（待验证）：若 EEG 序列模型的性能瓶颈确实涉及长跨度记忆更新不稳定，该更新调节机制可能具有迁移价值。可复用部分是动量路径与输入注入变换；需适配 EEG 的多通道表示、采样尺度及既有 SSM 骨干。该假设依赖模型存在可改造的低秩输入注入结构，不能据摘要判断其监督与训练规模要求。低信噪比可能使稳定更新仍持续积累噪声，跨被试分布差异、通道配置变化及小数据训练也可能削弱收益。 一个可检验的小实验是在固定 EEG 任务、划分与训练预算下，对比同一 SSM 骨干加入该机制前后的任务指标、梯度稳定性和计算开销，并分开报告被试内与跨被试结果；这只是迁移假设的验证建议，不是论文已完成的实验。已有 EEG 相关工作尚未检索确认。