序列至关重要：点云状态空间模型的排序策略

基于摘要分析。本文研究将无序点云输入 Mamba 等状态空间模型（SSMs）时，点云局部块的序列排序如何影响模型表现。作者在相同骨干下比较八种排序方法，强调序列构造应被视为核心建模选择，而非次要预处理步骤。 核心机制是为点云局部块建立顺序，使其适配处理有序序列的 SSM。比较方法包括基于 Traveling Salesman Problem（TSP）、寻求较短点云遍历路径的排序，以及结合三个坐标轴排序的低成本方法 Axis-3x。摘要未提供具体路径求解算法、序列融合方式、损失函数或训练细节。 作者报告，在 ScanObjectNN OBJ-BG、ScanObjectNN PB-T50-RS 和 ModelNet40 上，相同骨干下的排序选择明显影响准确率与鲁棒性，没有一种方法在所有数据集上均最优。TSP-based 排序产生更短路径，重复运行结果更一致，对翻转及组合测试时扰动更稳健；对于具有明确轴对齐结构的数据集，Axis-3x 仍是有竞争力的选择，而较简单的轴排序对 jitter 略更稳健。摘要未给出具体分数，数据划分、扰动强度、计算开销、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型将带空间坐标的电极或局部信号块序列化后送入 SSM，本文的排序比较框架可能用于检验空间邻近性与序列依赖是否匹配。这一假设依赖可靠的电极坐标及明确的空间块定义，不等同于改变 EEG 时间采样顺序。可复用的是固定骨干、仅比较排序的实验设计；需改造的是点云块构造与路径距离定义。低信噪比、跨被试电极布局差异、缺失通道及小数据均可能使空间短路径无法带来收益。一个可证伪的小实验是在同一 EEG 任务、固定跨被试划分与训练预算下，比较原始通道顺序、坐标轴排序和 TSP-based 排序，并记录任务指标、重复运行波动及缺失通道下的表现。相关 EEG 工作尚未检索确认。