StableSSM：通过稳定重参数化缓解状态空间模型的记忆诅咒

基于摘要分析。本文研究状态空间模型（SSMs）的参数化如何影响长期记忆学习，并提出一类稳定重参数化方法，以缓解记忆限制及改善优化稳定性；原论文的验证对象是合成数据与语言模型，而非 EEG 或 BCI。 核心机制：作者报告，其理论分析表明，未经重参数化的 SSMs 存在类似传统 RNNs 的记忆限制：能够被稳定逼近的目标关系必须具有指数衰减的记忆。作者将这一“记忆诅咒”归因于循环权重趋近稳定性边界，并据此引入一类重参数化技术。作者报告，这类技术能够缓解上述记忆限制，且合理选择重参数化方案还可增强优化稳定性。该结论涉及稳定逼近的条件，不应扩展为所有 SSM 都无法学习长期依赖。 证据与复现：作者报告使用合成数据和语言模型验证理论发现，但摘要未给出具体数据集、模型配置、指标或对照结果。重参数化的数学形式、理论假设与适用范围，以及实验协议、消融及统计信息尚未验证；复现前需核对全文中的稳定性定义、实现方式和训练配置。 平台推测（待验证）：假设 EEG 任务确实依赖较长时间跨度的信息，稳定重参数化可能为 SSM 在记忆保持与训练稳定性之间的权衡提供帮助。可复用候选是 SSM 循环参数的重参数化机制，输入编码与通道处理则需针对 EEG 改造。该推断依赖任务存在可学习的长期关系；低信噪比、小数据、通道差异及跨被试分布变化可能使更长记忆保留噪声，而非提升任务表现。一个可检验的小实验是在固定数据划分、模型容量和训练预算下，对比普通 SSM 与重参数化 SSM，考察不同序列长度下的任务指标与训练稳定性。已有 EEG 相关工作尚未检索确认。