用于文本表示的 Sentence-State LSTM

基于摘要分析。本文研究文本表示中 Bi-directional LSTM 因顺序处理方式带来的局限，提出 Sentence-State LSTM：为每个词设置并行状态，通过循环步骤同时开展词间局部与全局信息交换，而非逐词增量读取序列。 核心机制是改变序列编码的信息传播方式，而不是简单堆叠 BiLSTM。词级状态在循环更新过程中交换信息，从而构建文本表示；具体状态组织、更新方程、局部连接范围及全局信息聚合方式尚未验证。 作者报告，在多种分类与序列标注基准上，该模型相较参数量相近的 stacked BiLSTM 具有较强竞争力。摘要未提供具体数据集、数据划分、指标或数值，因此无法判断收益大小、任务间一致性及计算效率。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将按时间排列的 EEG 片段视为并行状态单元，以局部与全局信息交换建模时间依赖；可复用的是状态交互思路，需改造文本输入表示及 EEG 任务输出模块。原方法依赖离散词序列及文本任务训练信号，迁移则需要明确的 EEG 时间分段和监督协议；低信噪比可能使全局交换传播伪迹，跨被试差异、通道配置变化及小数据也可能削弱收益。一个小规模检验是在同一 EEG 分类任务、固定被试内划分及相同预处理下，与参数量相近的 BiLSTM 比较分类表现和推理耗时，先检验并行状态交互是否带来收益，不据此推断跨被试有效性。相关 EEG 工作尚未检索确认。