SSM脉冲网络的模型级与层级闭环预测

基于摘要分析。该研究面向通用时间序列预测，解决脉冲神经网络（SNNs）在预测阶段无法获得后续真实观测、而其自回归处理仍需要输入值的问题。作者提出模型级与层级两种闭环预测策略，将网络自身生成的值反馈到网络，替代不可获得的观测。 核心机制是以深度状态空间模型（Deep SSMs）为框架，比较不同反馈粒度下的预测行为，并分别考察脉冲激活与连续激活。SNNs 的计算单元通过离散单比特脉冲通信，因此研究也涉及连续激活与低比特量化激活之间的取舍。摘要未交代层级反馈的具体连接方式、训练目标及训练与推理阶段如何衔接，这些细节尚未验证。 作者在时间序列预测基准 ETT-small 上评估两种方案，对照包括 SpaceTime 和 S4 的零掩码基线。作者报告，两种闭环方案均达到与 S4 零掩码相当或更好的表现，且多数情况下与 SpaceTime 相当。摘要未提供具体指标、数值、预测长度或数据划分，因而不能据此判断优势大小；实验协议、消融及统计信息尚未验证，也不能将低比特激活直接等同于已证实的硬件能耗收益。 平台推测（待验证）：若目标是 EEG 序列预测而非直接分类，闭环反馈可能用于研究长时预测中真实后续输入不可用的问题。可复用的是反馈策略，仍需适配多通道连续信号的输入、脉冲编码与输出重建；低信噪比、跨被试差异、通道变化和小数据可能使反馈误差累积。一个可检验的小实验是在固定 EEG 数据划分、相同骨干与训练预算下，比较模型级闭环、层级闭环和零掩码，观察不同预测长度下的误差增长，并确保反馈不使用真实未来观测。该假设不构成已验证的 BCI 收益，相关 EEG 工作尚未检索确认。