CPTP-SSM：将状态跟踪扩展至具有不确定性的连续群

基于摘要分析。该研究面向现实长序列中的状态跟踪，将选择性状态空间模型（SSM）的研究对象从有限状态自动机扩展至具有不确定性的连续群。核心贡献是提出 CPTP-SSM，通过约束状态空间及其允许的转移，在同一模型中表达保守演化与不确定性下的耗散演化。 机制上，模型以 qudit（d 维量子系统）密度矩阵构成的紧凸集作为状态空间，采用完全正且保迹（CPTP）映射，使转移后的状态仍处于该空间。作者将 Kraus 表示展开至广义 Gell-Mann 基，把每次转移转化为实仿射映射，从而支持并行结合扫描。这里使用的是密度矩阵及量子通道的数学表示，摘要并未说明需要量子硬件。 作者报告建立了表达能力与稳定性保证，并刻画了 qudit 维度对可表示群的影响，以及 Kraus 秩对耗散能力的影响。实验方面，作者报告模型在有限与连续状态跟踪任务中具有较强的长度外推能力，并在长时间序列分类和连续传感器预测中取得有竞争力的表现。摘要未提供数据集、训练与测试长度、基线或具体指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应点是长序列中持续状态与噪声扰动的共同建模，可复用部分是受约束状态递推与并行扫描；输入编码、状态读出及任务监督需要针对 EEG 改造。连续群结构是否适合目标 EEG 任务仍是假设，低信噪比、跨被试与通道差异，以及小数据下耗散能力的估计不稳定，都可能削弱收益。一个可检验的小实验是在固定被试内划分、相同输入与训练预算下，对比 CPTP-SSM 与选择性 SSM 在训练长度内及更长测试窗口上的分类表现和噪声扰动敏感性。相关 EEG 工作尚未检索确认。