SMR：用于长序列建模的状态记忆回放

基于摘要分析。本文研究状态空间模型（SSMs）在非均匀采样及训练、测试采样点不一致时的稳定性与计算兼容性，提出 State Memory Replay（SMR），通过可学习记忆引入多步信息，调整当前状态，以改善不同采样点下的长序列建模。 作者指出，S5 与 S6（Mamba）处理非均匀采样时的递归结构限制了高效卷积计算，并提出非递归的非均匀采样处理策略。其理论分析借助 Event-Triggered Control（ETC，事件触发控制），将偏离采样点要求后误差传播、累积并导致隐藏状态发散的问题称为 Non-Stable State（NSS）。作者进一步认为，利用早期记忆调整输入序列可缓解 NSS，实现 Sampling Step Adaptation（SSA）；SMR 据此以可学习记忆调整当前状态。摘要未提供具体更新公式、记忆组织方式及额外计算开销，尚不能判断其实现细节或理论适用边界。 作者报告，在自回归语言建模和 Long Range Arena 的长程建模任务中，SMR 对一系列 SSM 模型具有有效性。摘要未给出具体模型配置、数据划分、采样扰动协议、对照基线及指标数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在采样率变化或不规则时间间隔，SMR 的采样步长适应机制可能具有参考价值，但原文研究对象是通用长序列建模，不构成 BCI 有效性证据。迁移假设依赖可追踪的采样时间及足够的长程信息；可复用状态记忆调整思路，需改造多通道 EEG 输入与时间间隔表示。低信噪比可能使记忆累积伪迹，跨被试差异、通道变化与小数据也可能削弱泛化。可在固定被试及数据划分下，仅对测试序列施加受控重采样或不规则抽样，对比同一 SSM 加入 SMR 前后的任务指标与状态稳定性，检验增益是否确与采样变化相关。已有 EEG 相关工作尚未检索确认。