深度选择性状态空间模型的理论基础

基于摘要分析。本文研究深度选择性状态空间模型（SSMs）的表达能力，利用 Rough Path Theory（粗糙路径理论）为输入与隐藏状态之间的乘性交互及选择性机制建立理论分析框架。主要贡献是刻画广义选择性 SSMs 的表达能力，并将门控机制识别为关键架构选择；研究对象是通用序列模型，而非 EEG 或 BCI 系统。 核心机制是让驱动 SSM 的线性递推具有依赖输入的选择性，通过输入与隐藏状态的乘性交互改变序列信息的处理方式。作者报告，其框架给出了 Mamba 等现代 SSM 表达能力的闭式描述，并从理论上解释其相对 S4 等上一代模型的能力提升。摘要同时涉及 GLA、Hawk/Griffin、HGRN2，但各模型对应的具体定理、假设与适用边界尚未验证。作者进一步提出，跨通道交互可能是未来改进的重要方向；这不是已验证的 EEG 通道建模结果。 摘要将十亿参数规模文本模型中的准确性与效率优势作为研究背景，不能据此视为本文新增的实验结论，也不能外推为 EEG 解码优势。全文未取得，理论中的模型限制、深度与表达能力的关系、证明细节，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设选择性门控能够抑制无关时段并保留任务相关动态，它可能对应 EEG 长序列中有效信息稀疏、时序依赖复杂的瓶颈。可复用的是选择性递推机制；输入表示、采样尺度及跨电极交互需要针对 EEG 改造。其效果可能受低信噪比、伪迹驱动的错误门控、跨被试分布变化和小数据过拟合限制，理论表达能力提升并不保证泛化提升。一个可证伪的小实验是在固定 EEG 任务、数据划分、参数预算和训练流程下，对比选择性与非选择性 SSM，并单独控制跨通道交互，检验门控是否稳定改善预先指定的解码指标。已有 EEG 相关工作尚未检索确认。