不动点 RNN：通过少量迭代从对角到稠密

基于摘要分析。本文研究通用序列建模中的状态跟踪表达能力：线性 RNN 与 Mamba 等状态空间模型（SSMs）可作为 Transformer 中 softmax-attention 的替代序列混合层，但作者认为，逐通道、即对角形式的序列混合限制了其状态跟踪能力。核心贡献是在单层内，将稠密线性 RNN 的计算表述为可并行对角线性 RNN 的不动点计算。 技术上，该方法试图利用对角递推的可并行性实现稠密状态交互，并探索改善记忆与状态跟踪能力的机制。摘要未给出不动点更新公式、迭代次数、收敛条件、训练方式或复杂度分析，因此标题中的“少量迭代”究竟对应怎样的精度与计算代价尚未验证。 作者报告，在常用玩具任务 A_5、S_5、copying 和 modular arithmetics 上取得最先进结果；这一结论仅适用于摘要列举的任务背景。摘要未提供具体指标、数值、任务规模、数据划分与对照模型，实验协议、消融及统计信息尚未验证，不能据此判断真实长序列任务或神经信号任务中的优势。 平台推测（待验证）：若 EEG 解码确实需要跨时间维护多通道联合状态，稠密状态交互可能对应对角序列混合难以表示的依赖。可考虑复用其序列混合机制，但需改造 EEG 输入映射与任务输出，并核对采样率、序列长度、监督方式和训练数据规模要求；这些依赖条件在摘要中尚不明确。低信噪比可能使稠密交互传播噪声，被试与通道差异可能破坏学到的状态关系，小数据也可能不足以稳定学习该机制。一个可证伪的小实验是在同一 EEG 任务、相同划分及匹配参数量下，对比对角与不动点稠密混合，记录任务指标、迭代次数和推理耗时，检验收益是否伴随可接受的计算成本。已有 EEG 相关工作尚未检索确认，以上不构成已证实的 BCI 效果。