Universal Operator Attention：通过无限维谱表示统一 Transformers 与状态空间模型

基于摘要分析。本文研究如何统一 Transformers 的非局部检索能力与状态空间模型（SSMs）的高效递归推理，提出 Universal Operator Attention（UOA）数学框架，以无限维谱算子理论描述两类序列模型，而非直接报告 EEG 或 BCI 方法。 核心机制是将序列演化建模为由参数化 Koopman 算子支配的动力系统。作者提出，标准 self-attention 与线性 SSM 可被解释为该算子在不同函数基上的投影表示。这一视角的潜在贡献是用共同的算子描述连接注意力与递归模型，而不只是组合两个现有模块。具体函数空间、投影构造、算子参数化方式及有限维实现尚未验证。 作者报告，UOA 在序列生成阶段具有 O(N) 计算与内存复杂度，并在训练阶段保持 O(1) 的“可并行性”。摘要未明确 N 的定义及该并行性指标的计算模型，因此不能将其直接理解为训练总耗时或总计算量为常数；摘要提及的递归常数状态推理也不能替代 UOA 自身的内存复杂度结论。 作者还报告建立了紧致的泛化与记忆保持界，并据此认为 UOA 能克服线性递归模型的表达瓶颈与快速记忆衰减。相关定理的假设、界所依赖的量及比较条件尚未验证。摘要未提供具体数据集、实验指标、代码或已训练的基础模型；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：统一长程检索与高效递归的机制可能与长时 EEG 建模有关，但这只是迁移假设。需先核对有限维近似和训练实现，再评估低信噪比、通道结构及小样本条件是否满足理论前提；原领域的理论结论不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。