状态空间模型在动态 token 选择上可证明与 Transformers 相当

基于摘要分析。该研究探讨状态空间模型（SSMs）结合全连接神经网络后，能否根据输入动态提取关键 token，并在特定任务与函数类下建立其与 Transformers 的能力比较。 核心机制与理论贡献：作者指出，既有理论研究多关注不含非线性层的 SSM 层，难以充分解释 SSM 与非线性模块组合后的能力。本文将研究对象扩展到 SSM 与全连接神经网络的组合；作者报告，这种组合在输入依赖的关键 token 提取能力上可与 Transformers 相当。摘要未给出具体网络结构、动态选择机制、证明假设或复杂度界，不能据此推断任意 SSM 架构均具备同等能力。 任务与结果：作者报告，在两个对单个 SSM 层具有挑战性的合成任务上，加入非线性层的 SSM 能高效求解；此外，在非参数回归问题中，作者证明 SSM 与 Transformers 对某一函数类的估计能力等价。合成任务定义、函数类约束、样本规模、评估指标及比较协议尚未验证，因此这些结论应限定在论文所设条件内，而非推广为一般任务上的性能等价。 平台推测（待验证）：若 EEG 任务需要按输入选择少量关键时间片段，该理论可能为评估 SSM 与非线性模块的组合提供依据。但其对 EEG 低信噪比、跨被试变化和小样本条件的适用性尚未验证；需先核对定理对输入结构、监督形式及函数类的要求，再判断是否具备迁移路径。已有 EEG 相关工作尚未检索确认。全文证明、实验协议、消融及统计信息尚未验证。