因果状态空间模型：面向非平稳逆问题的动态机制路由

基于摘要分析。本文研究非平稳逆散射中的重建问题：局部 OOD 异常可能在在线适应时改变全局 SSM 的共享转移矩阵，进而损害稳定背景的重建。作者提出 Causal State Space Model（Causal-SSM），通过动态机制路由与定向机制修订，将异常区域的适应更新与背景机制隔离。 核心机制是 Dynamic Mechanism Routing（DOR）：将逆映射表述为切换线性系统，把连续数据划分为独立因果机制库。Targeted Mechanism Revision（TMR）则在适应物理变化时，仅允许活跃异常机制接受梯度更新，同时冻结共享参数与边界路由。其方法差异在于限制更新范围，而非让局部扰动驱动全局参数变化；机制独立性的定义、路由学习方式、损失函数及异常机制识别条件尚未验证。 作者报告，在动态散射基准与 Institut Fresnel 测量数据上，Causal-SSM 具有稳健的零样本 OOD 泛化能力，并在吸收局部异常时保持背景保真度，BRR 约为 1.015，避免了全局更新基线的严重退化。摘要未给出 BRR 的定义、具体数据划分、基线名称及该数值对应的适应条件，因此不能据此量化优势；零样本评估与在线适应是否属于不同实验设置，也需核对全文。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：局部机制更新可作为 EEG 非平稳适应的一个方法假设，对应局部通道扰动或部分信号成分变化导致全局适应损害稳定信息的瓶颈。可考虑复用路由与更新隔离策略，但需将散射场机制划分改造为适合 EEG 通道或时序成分的表示，并确认训练监督、数据规模及路由稳定性要求。EEG 的低信噪比、跨通道混合、跨被试变化与小数据可能使机制难以分离。一个可证伪的小实验是在固定被试内划分下，仅对部分通道施加可控扰动，比较全局更新与局部机制更新的任务性能及未扰动条件性能，检验是否真正减少背景性能损失。已有 EEG 相关工作尚未检索确认。