结构化状态空间模型中复数参数化的可证明优势

基于摘要分析。本文研究结构化状态空间模型（SSMs）为何使用复数而非实数参数，以对角 SSM 为主要对象，建立两种参数化在表示能力、所需状态维度和参数幅值上的理论差距。研究对象是通用时序建模模块，并非 EEG 或 BCI 模型。 作者报告，复数对角 SSM 只需适中的维度即可表达实数对角 SSM 的全部映射，而实数对角 SSM 表达复数模型的映射需要高得多的维度。作者进一步报告，即使实数模型的维度足够，表达给定映射通常仍需要指数级大的参数值，并据此指出实际学习困难；相比之下，复数模型可用适中的参数值表达相应映射。上述结论的映射范围、维度关系、指数增长所依赖的变量及证明假设，均需全文核对，不能直接推广到所有 SSM 或神经网络。 作者报告实验支持理论，并提示理论可能扩展至 selectivity；摘要并未表明已完成这一扩展，也不能将对角 SSM 的结论直接视为对 Mamba 的完整解释。实验任务、数据、对照配置、指标、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要表达振荡与长程时间依赖，复数状态参数化可能提供更紧凑的时序表示。这一假设依赖输入序列的时间结构及任务监督，可复用 SSM 状态更新模块，但需适配 EEG 通道输入、采样率和输出任务。低信噪比、跨被试差异、通道变化及小数据可能抵消表示优势。一个可检验的小实验是在固定 EEG 数据划分与训练预算下，对比实数和复数对角 SSM，并分别控制状态维度与参数量，检查任务性能、参数幅值和训练稳定性；这不是论文已验证的结果。已有 EEG 相关工作尚未检索确认。