具有层间非线性的状态空间模型是具有指数衰减记忆的通用逼近器

基于摘要分析。本文研究用于序列建模的 state-space models（状态空间模型）的表达能力与记忆限制：作者报告，堆叠带有层间非线性激活的状态空间模型，足以逼近任意连续的序列到序列关系；但这并不意味着模型从根本上解决了记忆随时间指数衰减的问题。 核心机制是通过层间非线性增强序列映射的表达能力，而非依靠时间方向上的非线性激活。作者将通用逼近能力与长期信息保留能力作为两个不同问题讨论，并报告理论分析及数值验证均支持指数衰减记忆限制仍然存在。摘要未给出通用逼近定理的输入域、序列长度、连续性定义、误差度量及其他适用假设，不能将其直接解读为对任意长度序列都能有效学习。具体模型结构、数值验证任务、对照基线、指标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 任务需要同时建模局部非线性模式与较长时间依赖，该研究可用于区分“增加层间非线性改善表达”与“改善长期记忆”这两种目标。可复用的是状态空间序列模块及层间激活；迁移时需适配多通道 EEG 输入、采样尺度与任务输出。原理论依赖连续序列映射，但所需监督形式与训练规模尚未验证；EEG 的低信噪比、跨被试差异、通道变化及小数据可能使理论表达能力无法转化为可训练的性能。一个可检验的小实验是在固定数据划分、训练预算与近似模型规模下，对比有无层间非线性的模型，并逐步增加任务所需的时间间隔，分别观察任务表现与远距离信息保留能力。该实验仅用于检验迁移假设，不代表已有 EEG 效果；相关 EEG 工作尚未检索确认。