ConvT3：用于卷积状态空间模型的结构化状态核

基于摘要分析。该研究针对长时空序列中空间相关性与时间依赖的联合建模，提出 ConvT3（ConvSSM using Tridiagonal Toeplitz Tensors），通过结构化状态核等价实现具有 3×3 状态卷积核的 ConvSSMs，并利用张量对角化支持高效并行训练。 核心机制：摘要指出，既有 ConvSSMs 实现受计算可行性限制，采用 1×1 状态核，限制了空间建模能力。ConvT3 将状态核对应的张量组织为隐藏状态维度上的结构化 SSM 矩阵，以及空间维度上的受约束三对角 Toeplitz 张量。作者说明该结构化张量可被对角化，使模型在使用 3×3 状态卷积时仍能并行训练。具体参数化、约束形式、边界处理、训练损失及计算复杂度尚未验证。 结果与证据边界：作者报告，ConvT3 在长程视频生成与物理系统建模任务的大多数指标上达到最先进性能。摘要未提供数据集、数据划分、对照模型、指标名称或具体数值，因此无法核对性能提升幅度及计算收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 可被组织为有意义的空间网格序列，该机制可能用于联合建模电极邻域关系与长时依赖。可复用部分是结构化状态核及对角化计算思路；需改造部分是电极拓扑表示、空间边界与输入映射。其空间卷积依赖规则邻域，而 EEG 的不规则电极布局、低信噪比、跨被试差异、通道变化及小数据条件可能削弱收益。一个可检验的小实验是在固定 EEG 任务与数据划分下，控制训练预算和模型容量，对比 1×1 与结构化 3×3 状态核，同时记录任务指标、显存和训练时间，并通过打乱电极空间排列检验收益是否依赖真实拓扑。相关 EEG 工作尚未检索确认。