CollaMamba：基于跨智能体时空状态空间模型的高效协同感知

基于摘要分析。CollaMamba 面向多智能体协同感知，研究如何在计算与通信资源受限时，通过共享互补感知信息建模长距离空间关系与长时间历史依赖。其核心贡献是结合空间状态空间模型（SSM）骨干与时间 SSM 历史特征增强模块，而非针对 EEG 或 BCI 提出算法。 机制上，空间 SSM 骨干从单智能体与跨智能体视角捕获位置因果依赖，生成紧凑的中间特征；作者称其保持线性复杂度。时间 SSM 模块从较长历史帧中提取上下文线索，用于改善模糊特征并控制额外开销。摘要未说明扫描顺序、跨智能体对齐方式、融合操作、损失函数或训练监督，相关实现尚未验证。 作者报告，在多个未具名数据集上，CollaMamba 的模型精度优于所比较的现有方法，并降低计算与通信开销；摘要分别给出最高 71.9% 与“1/64”的表述。具体任务、数据划分、精度指标、对照基线、资源测量方式，以及“1/64”表示降至原来的比例还是减少比例，均尚未验证，不能据此作统一性能比较。实验协议、消融及统计信息尚未验证。摘要表示源码将公开，不等于已有可用代码。 平台推测（待验证）：其长历史建模与紧凑特征机制可能对应 EEG 长时序处理及多节点信号传输的资源瓶颈。原方法依赖具有空间位置关系的多智能体观测和连续历史帧，具体监督与数据规模尚不明确；迁移时可考察时间 SSM 和特征压缩，但空间模块需适配电极拓扑、通道缺失及被试差异，不能将跨智能体融合等同于跨被试学习。低信噪比、小数据和通道配置变化可能使历史增强放大噪声或削弱有效信号。一个可检验的小实验是在固定 EEG 任务、相同被试内划分和训练预算下，仅替换时间建模模块，比较任务指标、推理开销及历史长度敏感性。已有 EEG 相关工作尚未检索确认。