KUKULKAN：用于时间点过程的可解释状态空间模型

基于摘要分析。Kukulkan 针对时间点过程建模中表达能力与分枝比可解释性之间的权衡，将 Hawkes 激发机制写成状态空间系统，并通过上下文调节与受限输出门控，把分枝比从单一数值扩展为区间约束，同时保留精确似然计算。 核心机制是将 Hawkes 激发核表示为对角线性系统的状态，利用 Mamba 的并行扫描计算；其补偿子具有闭式表达，分枝比对应系统的稳态增益。通过 structured state space duality，同一计算又可写成对历史事件的注意力，从而把经典核、注意力模型和状态空间模型置于统一形式。摘要将 Mamba Hawkes process 与 S2P2 描述为在该形式上以放弃分枝比解释来换取表达能力的相关方法。 Kukulkan 允许上下文选择各通道的衰减率和背景率，但仅通过取值在零与一之间的门控调节输出映射。作者称，这使每个事件的后代数量受到其发生时确定的数值约束，并使分枝比得到部分识别，提供界限、条件估计与模拟估计。具体参数化、区间构造及各估计量的统计含义尚未验证。 作者报告，在去除标准留出似然数值求积偏差的评估协议下，Kukulkan 在九个公开数据集中的七个上达到无约束神经输出映射的表现，并在全部九个数据集上优于分枝比精确可知的对照模型。在交易所订单流上，作者报告其优于无约束输出映射，同时约束每笔订单的后代数量，且市场状态估计保持亚临界。摘要未提供数据集名称、划分、具体分数或“达到”所采用的判定标准；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 问题可合理表示为离散事件时间序列，该机制可能用于研究事件间激发关系，而非直接替代连续 EEG 解码。可复用状态更新与门控约束，但需改造事件提取、上下文输入及通道映射；低信噪比、事件漏检、跨被试差异与小样本可能削弱分枝比解释。一个可证伪的小实验是在固定事件提取与被试内划分下，比较受限与无约束输出映射的留出似然及后代数量估计稳定性。已有 EEG 相关工作尚未检索确认。