MemMamba：重新审视状态空间模型中的记忆模式

基于摘要分析。该研究针对选择性状态空间模型 Mamba 在长序列建模中的记忆衰减问题，提出 MemMamba，将状态摘要机制与跨层、跨 token 注意力结合，旨在保留关键信息并维持线性复杂度。 机制与贡献：作者通过数学推导和信息论分析研究 Mamba 的长程记忆如何衰减及保留信息，并提出横向—纵向记忆保真度指标，用于刻画层内及跨层的信息退化。MemMamba 的设计受到长文阅读中提炼和保留显著信息的启发。摘要未给出保真度指标的定义、状态摘要的更新规则、注意力范围或复杂度推导，因此尚不能确认具体实现及其适用条件。 结果与证据：作者报告，在 PG19、Passkey Retrieval 等长序列基准上，MemMamba 相比既有 Mamba 变体和 Transformers 有显著改善，并报告推理效率提速 48%。但摘要未说明该提速对应的基线、硬件、序列长度、批量及计时口径，也未提供各任务指标或具体分数，不能据此判断收益范围。实验协议、消融及统计信息尚未验证；作者关于复杂度与记忆权衡取得突破的结论仍需结合全文核对。 平台推测（待验证）：迁移假设是，状态摘要可能帮助长时 EEG 建模保留稀疏但重要的事件信息，跨层和跨 token 交互可能缓解长程信息丢失。原方法面向文本类长序列任务，其训练监督、规模及对序列结构的依赖尚未明确；用于 EEG 时需改造输入表示，并验证通道与时间结构如何进入摘要机制。低信噪比可能使摘要保留伪迹而丢失弱事件，跨被试差异和小数据训练也可能限制收益。一个可证伪的小实验是在固定跨被试划分、输入时长和训练预算下，比较 Mamba 与 MemMamba 对间隔逐渐增大的 EEG 事件的识别表现，同时记录任务指标、延迟和显存，检验收益是否随依赖距离增加而保持。已有 EEG 相关工作尚未检索确认。