State-offset Tuning：面向状态空间模型的基于状态的参数高效微调

基于摘要分析。该研究关注 State Space Models（SSMs）的参数高效微调（PEFT），提出直接调整状态相关特征的 state-based 方法，并引入 State-offset Tuning，在每个时间步直接影响当前状态，以替代依赖外部提示的适配方式。原论文研究对象是通用 SSM 的适配方法，并非 EEG 或 BCI 实验。 核心机制与对照：摘要将 SSM 视为缓解 Transformers 二次计算成本的高效替代方案，并指出适用于 Transformers 的 Prompt Tuning 和 Prefix-Tuning 在 SSM 上表现不佳。作者提出利用 SSM 的架构特征，直接作用于状态，而非通过外部提示间接适配。摘要未说明状态偏移的具体参数化方式、可训练参数位置、损失函数或训练与推理开销，这些内容尚未验证。 结果与证据边界：作者报告在多个不同数据集上的广泛实验支持该方法的有效性，但所给摘要未列出数据集、任务、指标、数值或具体对照结果。实验协议、消融及统计信息尚未验证，不能据此量化其相对提示方法或全参数微调的收益。 平台推测（待验证）：假设 EEG 序列模型采用 SSM 骨干，直接调整内部状态可能为跨被试或跨会话适配提供一种参数高效路径。可复用的是状态级适配思路；需改造或核对 EEG 输入编码、通道布局、状态更新接口及任务输出层。其适用性依赖目标骨干的状态结构、可用监督和适配数据规模。低信噪比、通道变化及小样本条件下，状态调整可能放大噪声或过拟合，原领域有效不等于 BCI 有效。 一个可检验的小实验是在固定 EEG SSM 骨干与明确的跨被试划分下，比较 State-offset Tuning、提示式 PEFT 和全参数微调，统一适配样本量与训练预算，记录任务指标、可训练参数量及多次运行波动。具体实现须待全文核对；已有 EEG 相关工作尚未检索确认。