结构化状态空间模型的隐式偏置可被干净标签投毒破坏

基于摘要分析。本文研究结构化状态空间模型（SSMs）的隐式偏置是否可靠地支持泛化，核心贡献是在低维 teacher 生成数据的设定中，揭示标签正确的特殊训练样本也可能扭曲隐式偏置并导致泛化失败。 这里的隐式偏置指梯度下降拟合训练数据时对某些解的偏好。此前工作认为，在低维 teacher 设定下，这种偏好有助于 SSMs 泛化；本文重新考察该设定。作者报告，其理论证明表明：尽管许多训练数据选择能使隐式偏置促进泛化，仍存在特殊样本，一旦纳入训练就会使这一机制失效。这些样本的标签仍由 teacher 给出，因此问题并非错误标签，而是对抗机器学习中的 clean-label poisoning（干净标签投毒）。 作者报告，在独立训练的 SSMs 以及作为非线性神经网络组成部分的 SSMs 中，均进行了实证展示。摘要未提供具体模型结构、投毒样本构造、样本比例、数据规模、评估指标或对照结果；理论适用条件、实验协议、消融及统计信息尚未验证。不能据此认定所有 SSMs、实际大型语言模型或神经信号任务均具有相同脆弱性。 平台推测（待验证）：若 EEG 解码采用 SSMs，训练数据的组成可能是独立于标签错误之外的鲁棒性风险。但原研究依赖低维 teacher 及其正确监督标签，真实 EEG 的标签通常对应任务条件，并不直接提供可控的信号生成机制。可复用的是“保持标签正确、改变训练样本组成、观察泛化变化”的测试思路；需要改造的是样本构造与生理合理性约束。低信噪比、被试差异、通道配置及小样本训练可能混淆投毒效应与普通分布变化。一个可证伪的小实验是假设在固定跨被试划分下，对比加入特殊但标签正确的训练样本与等量随机样本后的 SSMs 测试表现，并重复训练以核对差异是否稳定；该方案不是本文已验证结果，相关 EEG 工作尚未检索确认。