跳到正文

算法、任务与模态

SSM 最新动态

SSM 研究索引；按可核对的标签归档，不以热度评价质量。

292 条精选近 30 天 30 条共收录 375 条

更新

精选归档 · 第 13 页

1月1日周一第 241–260 条
  1. OpenReview · State space models71

    Pan-Mamba：基于状态空间模型的有效全色锐化

    基于摘要分析。Pan-Mamba 研究全色锐化问题，即融合低分辨率多光谱图像与高分辨率全色图像，生成高分辨率多光谱图像；其核心贡献是利用 Mamba 的全局信息建模能力，并设计两个面向跨模态交互与融合的组件。 机制方面，channel swapping Mamba 通过交换部分全色与多光谱特征通道，开展轻量级跨模态交互；cross-modal Mamba 则利用模态之间的内在关系增强信息表示。摘要未提供具体状态空间参数化、特征序列化方式、损失函数、训练与推理设置，不能据此确定网络结构细节或计算成本。 作者报告，在多个数据集上的实验中，Pan-Mamba 超过所比较的当前先进方法，获得更好的全色锐化融合结果；但摘要未给出数据集名称、划分、基线、指标或数值，因此尚不能判断优势幅度及不同评估协议下的稳健性。作者将该工作描述为首次探索 Mamba 在全色锐化中的潜力，此优先性主张尚未独立核实。摘要提供了源码地址，但实现与复现条件尚未验证；实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：迁移假设是将跨模态信息交换机制用于 EEG 与其他同步信号的融合，而非直接复用图像锐化网络。原任务依赖空间对应且分辨率互补的图像输入；EEG 场景需重新定义时间对齐、通道映射、特征序列化和任务监督。可能复用的是跨模态交换与融合模块，需改造的是输入表示及输出目标。低信噪比、跨被试差异、通道缺失和小数据可能使交换特征引入噪声或过拟合。一个可证伪的小实验是在固定数据划分与相近参数预算下，对同步 EEG 多模态任务比较简单融合、加入 channel swapping 及进一步加入 cross-modal Mamba 的表现，并测试模态噪声扰动下的稳定性；这不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其 channel swapping Mamba 与 cross-modal Mamba 如何实现跨模态信息交换，但融合优势及向 EEG 多模态任务迁移的有效性仍需核对实验与验证。

  2. OpenReview · State space models72

    OverlapMamba：用于基于 LiDAR 的地点识别的新型移位状态空间模型

    基于摘要分析。该研究针对基于 LiDAR 的地点识别（LPR），提出 OverlapMamba，将输入的 range views（RVs，距离视图）表示为序列，并采用随机重构方式构建 shift state space models，以压缩视觉表示。研究主要服务于 SLAM 中的回环检测与全局定位，不是 EEG 或 BCI 方法。 核心机制是利用 Mamba 与状态空间模型（SSMs）的长序列建模能力处理距离视图。摘要将其与采用点云图像输入的 CNN、Transformer 路线相对照，但未说明序列排列方式、移位操作、随机重构的具体定义、监督信号及损失函数，尚不能据此判断各模块的独立贡献。 作者报告，在三个公开数据集上，OverlapMamba 能有效检测回环，并在从不同行进方向重访地点时表现出鲁棒性；作者还报告，使用原始距离视图输入时，该方法在时间复杂度与速度方面优于典型 LiDAR 方法及多视图组合方法。摘要未提供数据集名称、训练与测试划分、对照方法、识别指标、运行硬件或计时口径，因此无法量化其优势，也不能将复杂度与实际运行速度视为同一指标。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其序列化表示与状态空间建模思路可能为 EEG 长时间窗处理提供方法参考，但迁移假设依赖于距离视图的空间结构能否对应 EEG 的时间与通道结构。可考虑复用序列建模模块，输入编码、移位规则、重构目标及任务监督则需改造；低信噪比、跨被试差异、通道布局变化与小样本训练可能使视觉任务中的优势失效。一个可证伪的小实验是在固定跨被试划分、预处理和训练预算下，对比基础 SSM 与加入该移位及随机重构机制的版本，同时核对任务性能和推理延迟。该建议不代表已验证的 BCI 效果，相关 EEG 工作尚未检索确认；准确复现仍需取得全文及实现细节。

    阅读价值：值得核对其将 LiDAR range views 序列化并通过随机重构构建 shift state space models 的机制，以及不同行进方向下的地点识别鲁棒性与运行效率，但摘要不足以确认性能优势的具体幅度。

  3. OpenReview · State space models73

    RSMamba：基于状态空间模型的遥感图像分类

    基于摘要分析。本文研究遥感图像场景分类，提出基于状态空间模型（SSM）与 Mamba 的 RSMamba，通过动态多路径激活机制增强对二维非因果数据的建模能力，目标是在全局感受野与线性建模复杂度之间兼顾效率和表达能力。 核心机制：作者指出，原始 Mamba 的因果序列建模方式难以直接适配二维图像，因此引入动态多路径激活，同时保留原始 Mamba 的内在建模机制。摘要未说明路径如何构造、激活如何计算，以及图像序列化、训练损失和推理流程的具体实现；其效率优势仍需结合实际输入规模、硬件与运行测量核对。 作者报告，在 UC Merced、AID 和 RESISC45 遥感图像分类数据集上，F1 分别为 95.25、92.63 和 95.18，并称超过同期 Vim 与 VMamba。摘要未明确这些数值的单位、F1 的平均方式、训练测试划分及基线配置，因而不能据此进行跨协议比较。作者进一步提出其作为未来视觉基础模型骨干的潜力，这不等同于已验证的基础模型能力。摘要提供了代码仓库，但实现与论文的一致性尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，多路径建模可能缓解将 EEG 通道—时间数据组织为序列时，对单一路径和固定顺序的依赖。原研究依赖二维图像结构与分类任务，具体监督方式及训练规模尚未验证；用于 EEG 时需改造输入编码、通道空间关系和路径定义，不能将图像邻接关系直接视作电极关系。低信噪比、跨被试差异、通道变化及小数据可能使多路径机制拟合噪声或增加训练不稳定性。一个可证伪的小实验是在固定 EEG 数据划分、预处理和训练预算下，对比单路径 Mamba 与多路径变体，分别报告被试内和跨被试的同一指标，并检验通道顺序扰动下的表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其面向二维非因果数据的动态多路径激活机制及与 Vim、VMamba 的对照，但其对 EEG 空间—时间建模的价值尚未验证。

  4. OpenReview · State space models73

    SMamba：通过可伸缩状态空间模型实现任意尺度超分辨率

    基于摘要分析。该研究针对任意尺度超分辨率（ASSR），提出正文称为 S³Mamba 的方法，利用 Scalable State Space Model（SSSM）构建由低分辨率图像导出的可伸缩连续表示空间，使单一模型能够处理不同放大尺度。其核心贡献是将尺度调制引入状态空间模型的离散化过程，并结合尺度感知自注意力增强不同尺度下的全局重要特征感知。 机制与创新：ASSR 借助 Implicit Neural Representations（INR）建立坐标与像素值的连续表示，突破固定放大倍数的限制。作者认为，现有 CNN 和 Transformer 方法面临计算复杂度及长程依赖建模方面的挑战。SSSM 在离散化时调制状态转移矩阵与步长采样矩阵，作者声称由此实现线性计算复杂度的连续表示建模。摘要未给出调制函数、尺度条件的具体输入方式、训练损失及推理流程；线性复杂度对应的计算范围，以及加入自注意力后的整体开销，尚需全文核对。 结果与证据边界：作者报告，在合成与真实场景基准上取得最先进性能，并在任意超分辨率尺度下表现出较强泛化能力。摘要未列出数据集名称、训练与测试尺度划分、对照基线、指标或具体数值，因此不能判断未见尺度上的收益及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，尺度条件化的状态空间离散化可能用于 EEG 不同采样间隔下的连续时间表示；但图像空间放大与 EEG 时间采样变化并非同一任务，原领域结果不能视为 BCI 有效性的证据。可考虑复用条件化离散化模块，将图像坐标与像素监督改为时间坐标和信号重建监督，并处理通道拓扑及抗混叠约束。低信噪比、跨被试差异、通道不一致和小数据可能使模型主要拟合插值规律。一个可证伪的小实验是在固定被试划分及统一抗混叠降采样流程下，对比该模块、普通状态空间模型和传统插值在未见采样间隔上的重建误差及下游任务表现。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其通过尺度调制状态空间离散化来构建连续表示的机制，以及线性复杂度的适用范围；作者报告的任意尺度泛化优势仍需结合全文实验协议验证。

  5. OpenReview · State space models77

    STREAM：面向稀疏几何数据的通用状态空间模型

    基于摘要分析。STREAM 面向点云、事件视觉等稀疏且非结构化的几何数据，将几何结构显式编码进状态空间模型的参数化，而不是仅依赖序列化预处理及模型自行推断几何关系。其核心贡献是利用坐标的相对差异控制状态空间模型的步长，并基于 Mamba selective state-space model 与修改后的 CUDA kernel 实现高效计算。 机制上，状态空间模型的线性动态由时间或空间坐标等一维变量驱动，STREAM 将相对坐标差注入这一动态变量对应的步长。作者称，由此形成的几何操作可在 O(N) 步中计算 N 个点之间的全点对交互；该表述不应直接等同于已验证的端到端运行时间或显存复杂度，具体交互定义、点的遍历顺序与实现条件尚需正文核对。 作者报告，在从头训练的 ModelNet40 和 ScanObjectNN 点云分析任务中，STREAM 改善了 PointMamba 基线表现，但摘要未提供具体指标数值。作者还报告，在 DVS128 Gestures 数据集全部 11 个类别的测试中取得 100% Accuracy，并声称这是首次达到该结果；测试划分、预处理、重复实验及统计信息尚未验证。摘要另称模型在事件视觉和音频分类等基准上具有竞争力，具体对照与实验协议尚未验证。 平台推测（待验证）：假设相对坐标驱动的状态更新能保留不规则采样结构，它可能对应 EEG 中不规则时间采样或稀疏电极空间建模的问题。可考虑复用状态更新机制，但需改造 EEG 信号的点表示、时空坐标及遍历方式；低信噪比、跨被试差异、通道缺失与小数据训练都可能削弱该归纳偏置。一个可检验的小实验是在固定 EEG 数据划分和相同输入表示下，比较相对坐标步长与固定步长，并测试通道缺失时的性能变化。此为迁移假设，不是已证实的 BCI 收益；相关 EEG 工作尚未检索确认。复现还需核对完整模型配置、CUDA kernel、训练条件及代码可用性。

    阅读价值：值得核对 STREAM 将相对坐标差注入状态空间步长的机制及其修改后的 CUDA 实现，以评估稀疏几何归纳偏置的收益；摘要中的全点对交互与测试准确率仍需结合完整实验协议验证。

  6. OpenReview · State space models72

    VmambaIR：用于图像恢复的视觉状态空间模型

    基于摘要分析。VmambaIR 面向从退化输入恢复高质量图像的问题，将 State Space Models（SSMs）引入图像恢复，旨在兼顾长程依赖建模与计算效率。其核心贡献是采用 Unet 架构堆叠 Omni Selective Scan（OSS）块，以多方向扫描缓解 SSM 的单向建模限制。 机制方面，每个 OSS 块由 OSS 模块与 Efficient Feed-Forward Network（EFFN）组成。作者提出的 omni selective scan 对六个方向的图像信息流进行建模，并将 SSM 的线性复杂度作为相对于 Transformer 二次复杂度的效率优势。摘要未说明六个方向的具体定义、扫描与融合方式、EFFN 结构、损失函数及训练策略，这些细节尚未验证。 作者报告，在 image deraining、single image super-resolution 和 real-world image super-resolution 等任务中，VmambaIR 达到 SOTA，同时使用更少的计算资源与参数。摘要未提供数据集、数据划分、对照模型、评价指标或资源测量条件，因此该结论目前只能作为作者报告，不能据此量化优势或比较不同任务的性能。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法原本依赖具有空间邻接关系的图像数据；多方向扫描与高效长程建模可能为 EEG 去噪提供机制参考，但原领域有效不等于 BCI 有效。可考虑复用 SSM 与扫描模块，需改造时间—通道表示、扫描顺序及训练目标，并核对是否依赖成对退化／参考信号监督。低信噪比、跨被试差异、不规则通道布局和小数据可能削弱效果，恢复过程也可能损伤 ERP 等任务相关成分。一个可证伪的小实验是在固定被试划分与噪声条件下，比较单向扫描和多方向扫描的 EEG 去噪误差、ERP 波形保真度及资源开销，检查效率收益是否伴随信号失真。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其 Omni Selective Scan 如何以线性复杂度缓解 SSM 的单向建模限制，并核对图像恢复效果与资源开销的对照证据；其对 EEG 的适用性尚未验证。

  7. OpenReview · State space models79

    Meta-state-space learning：随机动力系统的辨识方法

    基于摘要分析。本文研究如何从输入–输出数据辨识非线性随机动力系统，核心贡献是提出 meta-state–space 表示及基于人工神经网络（ANN）的辨识方法，以学习随时间变化的输出分布，而不对数据生成过程施加摘要所述的限制性噪声结构或状态分布假设。 机制上，作者为一大类非线性随机系统推导了精确的 meta-state–space 表示，其中 meta-state 可解释为状态概率函数空间参数化的参数向量。该表示中的 meta-state 动力学是确定性的，因此可用确定性模型描述随机系统的分布演化；这不意味着原系统的随机性被消除。针对表示中未知且高度非线性的函数，作者采用 ANN 学习非线性 meta-state–space 模型。摘要未说明概率函数空间的具体形式、表示成立的条件、网络结构或训练目标，不能仅由 log-likelihood 结果推断其损失函数。 作者报告，在高度非线性且高度随机的系统上，所辨识模型的 log-likelihood 接近理论极限。摘要未提供系统名称、数据规模、训练与测试划分、对照方法、具体数值及理论极限的计算方式，因此目前无法量化优势或判断适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 场景具备时间对齐的输入–输出序列，并可将刺激或任务变量作为输入，该分布动力学建模思路可能用于研究信号不确定性，而非直接作为已验证的 BCI 解码方法。可复用的是 meta-state 演化与输出分布建模框架；观测映射、概率参数化及输入定义需适配 EEG。低信噪比、通道变化、跨被试分布差异和小数据可能使分布辨识不稳定。一个可证伪的小实验是假设输入–输出关系可辨识，在单被试、固定通道和按连续时间段划分的记录上，与常规随机状态空间模型比较留出数据的 log-likelihood 及预测分布校准，再检查跨会话性能是否保持。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是将随机系统的状态概率分布演化转写为确定性 meta-state 动力学的辨识思路；其表示条件、概率函数空间参数化与似然评估协议仍需通过全文核对。

  8. OpenReview · State space models71

    MambaIR：基于状态空间模型的简单图像复原基线

    基于摘要分析。本文研究图像复原骨干在全局感受野与计算效率之间的权衡，提出 MambaIR，在标准 Mamba 中引入局部增强和通道注意力，以缓解低层视觉中的局部像素遗忘与通道冗余；主要研究对象是图像复原，而非 EEG 或 BCI。 机制上，作者利用 Mamba 的长程依赖建模能力及线性复杂度，通过局部增强利用邻近像素相似性，通过通道注意力降低通道冗余。摘要未说明局部增强的具体算子、图像扫描方式、注意力结构、损失函数及训练配置，不能据此推断实现细节。 作者报告，在图像超分辨率（SR）实验中，MambaIR 在计算成本相近且具有全局感受野的条件下，相比 SwinIR 的提升最高达 0.45 dB。摘要未明确该数值对应的指标名称、数据集、放大倍率、数据划分及计算成本口径，因而不能将其视为所有设置下的平均收益。作者提供了代码地址，但代码可运行性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，长程状态空间建模与局部增强的组合或可用于兼顾 EEG 长时间依赖与局部波形结构；但原方法依赖图像空间邻域及像素相似性，摘要未交代监督形式和数据规模。可尝试复用状态空间模块，将局部增强改为时间邻域处理，并先核对通道注意力作用于特征通道还是传感器通道，再决定是否引入电极拓扑。低信噪比可能使局部增强放大伪迹，跨被试差异、通道布局变化及小数据也可能削弱收益。一个可证伪的小实验是在固定 EEG 数据划分、预处理和近似计算预算下，对比标准 Mamba、加入时间局部增强、加入通道注意力及二者组合，并分别报告被试内与跨被试结果；若组合未带来稳定收益，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 MambaIR 如何结合长程状态空间建模、局部增强与通道注意力改善图像复原，但其对 EEG 的可迁移性尚未验证。

  9. OpenReview · State space models72

    利用平衡截断压缩含对角状态空间层的 S4 模型

    基于摘要分析。本文研究面向长序列处理、含 Diagonal State Space（DSS）层的 Structured State Space Sequence（S4）模型如何进行压缩，以支持边缘设备部署。核心贡献是将控制理论中的 balanced truncation（平衡截断）用于预训练 S4 模型的 DSS 层，并将降阶后的参数用于后续 S4 模型主训练过程的初始化。 方法包含两个用途：压缩预训练模型中的状态空间层，以及利用压缩所得参数初始化较小模型。摘要未给出平衡截断的具体实现、降阶维度选择、降阶后如何保持或转换 DSS 参数形式，以及后续训练设置，这些机制细节尚需全文核对。 作者报告，在摘要所述数值实验中，结合平衡截断训练的模型以更少参数取得了高于常规 Skew-HiPPO 初始化模型的准确率；作者还报告，原模型准确率越高，经该方法训练的模型准确率也越高，认为该方法能够利用原模型的优势。摘要未提供任务、数据集、划分协议、参数量及准确率数值，实验协议、消融及统计信息尚未验证。上述结果不直接证明实际边缘设备上的延迟、内存或能耗收益。 平台推测（待验证）：若 EEG 长序列模型采用 S4/DSS 层，该方法可能对应边缘端部署时的模型规模瓶颈。可复用部分是预训练状态空间层的降阶及参数初始化流程；需核对降阶参数与现有 DSS 实现的兼容性，并根据 EEG 任务调整输入、输出及训练配置。其依赖已训练模型和后续任务训练，但摘要未说明监督方式与数据规模。低信噪比、通道差异、小样本及跨被试变化可能使原模型优势难以保留，降阶也可能损失判别所需的时序信息。一个可证伪的小实验是在同一 EEG 数据划分和训练预算下，对比未压缩 S4、平衡截断初始化的小模型与参数量匹配的 Skew-HiPPO 初始化小模型，同时测量任务准确率及设备延迟。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将控制理论中的 balanced truncation 用于 DSS 层压缩与训练初始化的机制，以及相对 Skew-HiPPO 初始化的参数量—准确率权衡；其在 EEG 长序列建模中的适用性尚未验证。

  10. OpenReview · State space models76

    GrassNet：状态空间模型与图神经网络的结合

    GrassNet 针对谱图神经网络中多项式滤波器低阶截断、缺乏图谱整体建模的问题，引入结构化状态空间模型（SSMs）来学习图谱滤波器。基于摘要分析，未取得论文全文。 核心机制是利用 SSMs 建模图信号在不同频率上的关联，并为图谱中的各频率生成特定校正。作者指出，传统多项式方法对相同频率的信号施加相同调制，在谱高度集中或存在大量数值相同的谱值时可能受到限制；作者声称 GrassNet 能学习任意图谱滤波器，并在理论上具有比多项式滤波器更强的表达能力。如何定义频率序列、如何处理重复特征值及对应特征空间、表达能力结论依赖哪些假设，均需查阅正文核对。 作者报告，在九个公开基准上的实验显示 GrassNet 在真实图建模任务中表现优于对照方法。摘要未提供基准名称、任务、划分、对照配置或具体指标，因此不能量化收益或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。实现、计算成本和复现条件也尚未验证。 平台推测（待验证）：假设 EEG 被表示为具有明确拉普拉斯算子的通道图，GrassNet 的跨图谱频率关联建模可能用于检验多项式滤波表达受限这一瓶颈；这里的图谱频率不等同于 EEG 的时间频率。可考虑复用谱滤波机制，但通道图构建、时间信息整合和跨被试图对齐需要改造。低信噪比可能使图结构不稳定，通道变化可能改变谱基，小数据也可能增加过拟合风险。一个可证伪的小实验是在固定 EEG 通道图、相同时间编码器和相同跨被试划分下，对比 GrassNet 滤波与多项式滤波，并检查收益对图构建及通道扰动的敏感性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 GrassNet 如何利用 SSM 建模跨频率关联，以及其处理重复谱值和提升滤波表达能力的理论条件，这些机制为评估谱图方法在 EEG 图建模中的适用性提供了具体切入点。

  11. OpenReview · State space models76

    START：一种采用显著性驱动的 Token 感知变换的泛化状态空间模型

    基于摘要分析。该研究面向视觉域泛化（Domain Generalization，DG），目标是从多个源域学习并泛化到未见目标域，提出基于状态空间模型（SSM）的 START，通过显著性驱动的 token 感知变换抑制域特异性特征。其主要研究对象是视觉模型在域偏移下的泛化能力，并非 EEG 或 BCI。 作者将 CNN 的纹理偏置与 ViT 自注意力的二次复杂度作为方法动机，转而研究具有序列长度线性复杂度的 Mamba。作者认为，SSM 的输入依赖矩阵可能累积并放大域特异性特征，从而妨碍泛化；START 在这些矩阵中对显著 token 的域特异性特征进行选择性扰动与抑制，旨在降低域间差异。摘要未说明显著性的计算方式、扰动规则、损失函数或训练与推理阶段的具体安排。 作者报告，在五个基准的 DG 评估中，START 优于已有 SOTA DG 方法，并保持高效的线性复杂度；但摘要未列出基准名称、源域与目标域划分、指标、数值及对照配置，不能据此量化性能或实际计算开销。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性与复现条件尚未核对。 平台推测（待验证）：若 EEG 的跨被试或跨会话偏移也会通过 Mamba 输入依赖矩阵放大非任务特征，该机制可能具有迁移价值。可尝试复用矩阵内的 token 变换，但需改造 EEG 的时间或通道 token 表示及显著性判据，并依赖具有明确域标签的多源训练数据。低信噪比、通道差异与小数据可能导致显著性定位不稳，甚至将有效神经活动误作域特征而抑制。一个可检验的小实验是在固定跨被试划分下，对比同一 EEG Mamba 基线与加入该变换的版本，保持训练预算和预处理一致，检查未见被试的分类指标及扰动稳定性。此迁移假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其对 Mamba 输入依赖矩阵中域特异性特征累积的分析，以及显著性驱动 token 扰动能否改善域泛化；摘要中的性能优势及向 EEG 的迁移价值尚待验证。

  12. OpenReview · State space models72

    DGMamba：通过广义状态空间模型实现域泛化

    基于摘要分析。该研究针对视觉域泛化中的分布偏移问题，提出 DGMamba，尝试在保留 Mamba 全局感受野与线性复杂度优势的同时，减少隐藏状态和图像扫描机制对域特异信息的依赖。 框架包含 Hidden State Suppressing（HSS）与 Semantic-aware Patch refining（SPR）。HSS 用于减弱与域特异特征相关的隐藏状态对输出预测的影响。SPR 旨在让模型更关注对象而非上下文，其中 Prior-Free Scanning（PFS）打乱图像中的非语义 patch，以形成更灵活的序列；Domain Context Interchange（DCI）通过跨域融合 patch，将不匹配的非语义与语义信息组合起来，对 Mamba 进行正则化。摘要未提供隐藏状态筛选、语义识别、扫描操作及损失函数的具体实现，尚不能据此重建模型。 作者报告，在四个常用域泛化 benchmark 上，DGMamba 相较现有先进模型取得更优结果；摘要未列出 benchmark 名称、域划分、对照基线或指标数值，实验协议、消融及统计信息尚未验证。作者表示代码将公开，不等同于代码已可获取。 平台推测（待验证）：其潜在 EEG 迁移路径是抑制被试或会话相关的域特异状态，以缓解跨被试、跨会话分布偏移。但原方法依赖图像 patch 的语义与上下文区分，以及跨域 patch 融合；EEG 中哪些时段、通道或频段属于任务信息而非背景信息，需要重新定义，不能直接套用对象与背景的划分。可尝试复用状态抑制思路，改造序列构建和跨域融合模块；低信噪比、通道差异及小数据可能导致任务相关状态被误抑制，或融合产生不合理信号。一个可证伪的小实验是在固定的跨被试 EEG 划分下，比较基础 Mamba 与仅加入 HSS 改造的版本，核对域信息降低是否伴随任务性能改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是 DGMamba 如何通过隐藏状态抑制与语义感知 patch 处理降低域特异信息影响；这些机制提供了域泛化研究的具体切入点，但摘要中的性能优势及其 EEG 可迁移性尚未验证。

  13. OpenReview · State space models81

    状态空间模型可通过梯度下降实现上下文学习

    该研究探讨深度状态空间模型（Deep SSMs）如何在自回归任务中实现上下文学习，核心贡献是构造能够执行隐式梯度学习的递归架构，并以回归任务验证这一机制。基于摘要分析，未取得论文全文。 理论机制：作者证明，单个结构化 SSM 层结合局部自注意力，可以复现一个以最小二乘损失为目标的隐式线性模型执行一步梯度下降后的输出。关键在于对角线性递归层能够充当梯度累加器，再将累积量“应用”于隐式回归模型的参数。该结论针对特定构造，不能据此认定所有 SSM 都会自发实现梯度下降。作者将局部自注意力与乘性交互视为递归架构实现此类表达能力的关键组成。 验证与边界：作者报告，在简单线性回归任务上训练随机初始化的增强 SSM 后，经验优化得到的参数与理论构造的解析参数相符；扩展到多步线性回归及非线性回归也得到一致结果。摘要未提供任务规模、数据划分、误差指标、对照基线或一致性的量化标准，实验协议、消融及统计信息尚未验证。可扩展训练和一般任务有效性在摘要中属于潜力判断，而非已提供充分指标支持的结论。 平台推测（待验证）：假设 EEG 任务可组织为带监督的上下文示例序列，该机制可能用于研究跨被试或跨会话的隐式回归适应。可复用的是梯度累积与局部交互结构；需要改造的是 EEG 特征表示、上下文样本组织及预测目标。低信噪比、通道不一致和少量标注可能使累积更新不稳定，原回归任务的有效性不等于 BCI 有效性。一个可证伪的小实验是：固定 EEG 特征与跨被试划分，在相同标注上下文下比较增强 SSM、普通 SSM 和显式一步最小二乘梯度更新的预测误差，检验隐式更新能否逼近显式更新。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其将递归状态与隐式梯度累积建立可核对的理论联系，并用回归任务检验解析构造；这一机制能否支持 EEG 上下文适应尚未验证。

  14. OpenReview · State space models75

    Multi-Scale VMamba：层级内嵌层级的视觉状态空间模型

    基于摘要分析。该研究面向视觉状态空间模型（SSMs）中多扫描策略带来的冗余，提出 Multi-Scale Vision Mamba（MSVMamba），通过多尺度 2D 扫描与通道混合模块，改善视觉任务中的效率与性能权衡。 核心机制：作者将多扫描策略的有效性与长程依赖建模联系起来，在原始及下采样特征图上执行多尺度 2D 扫描，以保留长程依赖学习能力并降低计算成本；同时引入 Convolutional Feed-Forward Network（ConvFFN），补充通道混合。摘要未给出扫描路径、尺度配置、下采样方式、参数量或计算量，具体效率收益与各模块贡献尚未验证。 作者报告：MSVMamba-Tiny 在 ImageNet 上取得 82.8% top-1 Accuracy；在 COCO 上采用 Mask R-CNN 框架和 1x 训练日程，取得 46.9% box mAP 与 42.2% instance mAP；在 ADE20K 上采用单尺度测试，取得 47.6% mIoU。这些结果分别对应图像分类、目标检测、实例分割与语义分割，不能跨任务直接比较。摘要未提供具体对照模型与完整训练配置，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：假设多尺度扫描可用于缓解 EEG 长序列建模的计算负担，可复用的部分是多尺度 SSM 扫描思路，需改造的是视觉 2D 特征布局、下采样与通道混合方式。原方法处理具有二维空间结构的图像特征；EEG 的时间—电极结构不能直接等同于图像，低信噪比、跨被试差异、通道配置变化及小数据训练都可能使收益失效，下采样也可能丢失短暂事件。一个可检验的小实验是在固定 EEG 数据划分与相同训练预算下，对比单尺度和多尺度扫描，分别报告被试内与跨被试性能、计算开销，并检查短时信息保留情况；这不是本文已验证的结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对多尺度 2D 扫描能否减少视觉 SSM 的多扫描冗余，同时保留长程依赖建模能力；摘要提供了多个视觉任务的结果，但效率收益及其对 EEG 的适用性尚未验证。

  15. OpenReview · State space models72

    SSUMamba：用于高光谱图像去噪的空间–光谱选择性状态空间模型

    基于摘要分析。该研究针对高光谱图像（HSI）去噪中长程空间–光谱相关性建模复杂度较高的问题，提出基于 Mamba 的 SSUMamba，以连续扫描和双向状态空间模型（SSM）建模长程依赖，并结合 3-D 卷积增强局部建模。其主要研究对象是高光谱图像，而非 EEG 或 BCI 信号。 核心组件为空间–光谱连续扫描（SSCS）Mamba：按照行、列、波段三个维度的六种不同顺序生成序列，通过双向 SSM 捕获长程空间–光谱依赖；在各顺序中，对相邻扫描之间的图像排列进行调整，以保持空间–光谱连续性。嵌入的 3-D 卷积则用于增强局部空间–光谱关系建模。摘要未提供损失函数、训练策略及完整网络配置。 作者报告，在高光谱图像去噪实验中，SSUMamba 相比基于 Transformer 的方法取得更好的去噪结果，且每批次显存消耗更低。摘要未给出数据集、噪声设置、评价指标、具体数值及对照模型，因此尚不能判断优势的适用范围；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：可考察的迁移假设是，将具有明确邻接结构的 EEG 时频–通道表示组织为连续序列，用双向 SSM 建模长程关系，并以局部卷积保留邻域信息。然而，EEG 通道并不天然构成规则图像网格，频率轴也不等同于高光谱波段；扫描顺序、通道拓扑和卷积邻域需要改造，训练所需的去噪监督及数据规模亦尚未验证。低信噪比、跨被试差异、通道配置变化与小样本可能使该机制失效，去噪也可能削弱任务相关神经成分。一个可检验的小实验是在固定被试内划分和相同噪声设置下，对比连续扫描与普通序列化的 EEG 去噪模型，同时检查信号重建质量和下游任务表现，以检验连续性设计是否有效。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其通过连续扫描与双向 SSM 联合建模局部和长程空间–光谱依赖的机制，以及作者报告的相对 Transformer 去噪与显存优势；这些优势的具体评估条件及 EEG 迁移有效性尚未验证。

  16. OpenReview · State space models70

    PhysMamba：用于远程生理测量的状态空间对偶模型

    基于摘要分析。该研究针对从面部视频提取生理信号的 Remote Photoplethysmography（rPPG）在现实环境中受运动伪迹与噪声干扰的问题，提出 PhysMamba，以基于 State Space Duality 的双路径时频交互学习更具代表性的特征。这是一项远程生理测量方法研究，不是直接的 EEG 或 BCI 验证。 核心机制是通过两条路径开展时频信息交互，并使用改进的 Cross-Attention State Space Duality（CASSD）促进路径间的信息交换与特征互补。摘要未说明两条路径的具体输入表示、CASSD 的计算形式、损失函数或训练与推理流程，这些技术细节尚未验证。 作者报告在 PURE、UBFC-rPPG 和 MMPD 数据集上进行了对比实验，并声称 PhysMamba 达到最先进性能，尤其适用于复杂环境。但摘要未提供具体指标、数值、数据划分、对照方法及复杂环境的定义，因此无法判断优势大小或不同评估协议下的泛化能力。实验协议、消融及统计信息尚未验证；复现还需核对视频预处理、参考生理信号、训练配置和实现可用性。 平台推测（待验证）：若双路径时频互补确实能增强抗噪能力，其机制可能对应 EEG 中时域动态与频谱线索联合建模的需求。迁移需将面部视频输入模块改造为多通道 EEG 表征，并明确监督信号与数据规模，不能假定视频运动伪迹与 EEG 伪迹具有相同结构。低信噪比、跨被试差异、通道配置变化和小数据训练可能削弱交互模块的收益。一个可证伪的小实验是在固定 EEG 数据划分与匹配模型容量下，比较单路径、双路径无交互及加入 CASSD 的版本，并在相同噪声条件下评估；这仅是迁移假设，不是论文已验证结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 PhysMamba 的双路径时频交互与 CASSD 如何应对运动伪迹和噪声，但摘要中的领先性能主张及其向 EEG 的迁移价值尚需验证。

  17. OpenReview · State space models72

    MambaVLT：用于视觉-语言跟踪的时间演化多模态状态空间模型

    基于摘要分析。MambaVLT 针对视觉-语言跟踪中时序信息利用不足、参考特征难以动态更新的问题，提出基于 Mamba 的多模态状态空间模型，通过随时间演化的状态表示支持目标跟踪，并自适应调节视觉与语言参考的权重。 机制方面，模型包含 time-evolving hybrid state space block 和 selective locality enhancement block，用于捕获多模态上下文信息与自适应更新参考特征；另设 modality-selection module，动态调整视觉和语言参考的权重，以缓解任一参考模态可能产生的歧义。摘要将 Mamba 状态演化的时序记忆能力与线性复杂度作为方法动机，但具体状态更新公式、模块连接、损失、训练流程及端到端计算开销尚未验证。 作者报告，该方法在多个基准上相较先进跟踪器表现良好；摘要未提供基准名称、数据划分、对照模型或量化指标，因此尚不能判断优势幅度及适用条件。实验协议、消融及统计信息尚未验证，代码与复现条件也需核对全文。 平台推测（待验证）：其原问题依赖连续视觉序列及视觉、语言参考，时序状态更新与动态模态选择可能为 EEG 与辅助模态融合提供机制参考，对应长时序建模和模态可靠性变化的瓶颈；这不代表已验证的 EEG/BCI 效果。可考虑复用状态更新和模态选择思路，但需改造输入编码、时间对齐、参考表示与任务输出。EEG 的低信噪比、跨被试差异、通道变化及小数据可能导致状态累积噪声或模态权重失稳。一个可检验的小实验是在固定被试和划分的 EEG 多模态任务中，保持编码器与训练预算一致，对比固定融合与动态模态选择，并在辅助模态受扰时检验性能变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何利用随时间演化的状态空间更新多模态参考特征，以及动态调节模态权重；具体性能优势与 EEG 迁移价值尚未验证。

  18. OpenReview · State space models74

    Mamba3D：通过状态空间模型增强 3D 点云分析的局部特征

    基于摘要分析。本文研究 3D 点云分析中 Transformer 的二次复杂度与直接采用 Mamba 时表征效果不理想的问题，提出面向点云学习的状态空间模型 Mamba3D，以增强局部几何特征提取并兼顾全局表征。原论文的主要对象是点云，而非 EEG 或 BCI。 机制上，Mamba3D 使用 Local Norm Pooling（LNP）模块提取局部几何特征；同时引入 bidirectional SSM（bi-SSM），包含沿 token 方向运行的前向 SSM，以及在特征通道上运行的反向 SSM。这里的“反向”不宜直接理解为对 token 序列进行逆序扫描。摘要未披露 LNP 的具体运算、点云序列化方式、训练损失及预训练目标，这些实现细节尚未验证。 作者报告，Mamba3D 在多个点云任务中优于 Transformer 对照及同期方法，并具有线性复杂度。在分类任务中，ScanObjectNN 从头训练的 overall accuracy 为 92.6%；ModelNet40 使用单模态预训练后的 overall accuracy 为 95.1%。两项结果对应不同数据集与训练条件，不能直接横向比较。摘要未给出具体数据划分、输入点数、对照配置、复杂度的计量对象及实际运行效率；实验协议、消融及统计信息尚未验证。作者提供了代码与权重地址，但其可用性及复现条件尚未核对。 平台推测（待验证）：若将 EEG 电极空间邻域用于局部特征提取，并以时间 token 的 SSM 建模长时依赖，其“局部结构增强＋线性复杂度全局建模”机制可能具有借鉴价值。可复用的是局部聚合与 SSM 建模思路；需改造点云几何输入、序列组织及特征通道处理，且电极通道不能直接等同于网络特征通道。低信噪比、跨被试差异、不同电极布局及小样本训练都可能削弱效果。一个可检验的小实验是在固定 EEG 数据划分、训练预算和输入条件下，对比基础 SSM 与加入电极邻域局部聚合的版本，分别核对被试内和跨被试分类表现。该迁移假设不构成已验证的 BCI 贡献，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其 Local Norm Pooling 与 token／特征通道双向 SSM 如何改善点云局部与全局表征，以及线性复杂度下的分类表现；其对 EEG 的适用性尚未验证。

  19. OpenReview · State space models71

    基于残差分析的非线性响应状态空间模型改进

    基于摘要分析。本文研究具有未知非线性响应的状态空间模型学习问题，以神经网络近似观测方程中的未知非线性部分，并提出基于残差分析的迭代算法，改善隐状态推断与参数估计。 机制上，模型保留线性状态方程，观测方程则包含线性与非线性部分，其中非线性部分的结构未知。算法利用线性模型的残差学习这一未知项，再迭代改进模型。作者称可通过 minorization-maximization 原理说明迭代改进性质；具体优化目标、更新步骤、神经网络结构及成立条件尚未验证。 作者报告，在一个数值示例和电池容量估计案例中，该方法的参数估计与隐状态推断优于既有工具。摘要未提供评价指标、数值结果、基线名称或数据划分，因此不能判断收益幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需核对全文中的模型定义、初始化、残差构造、交替更新与停止条件，以及案例数据和实现可用性。 平台推测（待验证）：若 EEG 时序可近似为线性潜在状态演化与非线性观测映射，该机制可能用于修正线性状态空间模型的观测偏差。可复用的是残差驱动的非线性拟合与迭代估计思路；需改造的是 EEG 多通道观测映射及噪声模型。摘要未说明原任务的数据规模和监督需求。低信噪比可能使残差学习吸收伪迹而非有效信号，小数据以及被试、通道差异也可能削弱稳定性。一个可检验的小实验是先在具有已知潜在状态的 EEG 风格模拟数据上，固定训练与测试划分，对比线性模型和残差改进模型，分别检查状态恢复与观测预测误差，并改变噪声强度以检验收益是否稳健。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以线性模型残差学习未知非线性观测项、并用 minorization-maximization 原理支持迭代改进的机制，但其对 EEG 隐状态估计的适用性尚未验证。

  20. OpenReview · State space models74

    GroupMamba：参数高效且准确的分组视觉状态空间模型

    基于摘要分析。该研究面向计算机视觉中纯状态空间模型（SSM）扩展至较大规模时的训练不稳定与参数效率问题，提出 GroupMamba，以分组空间扫描、跨通道调制及蒸馏训练目标改善模型性能；其主要研究对象是视觉任务，而非 EEG 或 BCI。 核心机制是 Modulated Group Mamba 层：将输入特征通道划分为四组，每组独立使用一个 Visual Single Selective Scanning（VSSS）模块，分别沿四个空间方向扫描；再通过通道调制算子增强组间的跨通道信息交流。这里的“通道”指视觉特征通道，不能直接等同于 EEG 电极。作者还引入基于蒸馏的训练目标以稳定大模型训练，但摘要未给出教师模型、蒸馏损失形式及具体训练配置。 作者报告，该方法在 ImageNet-1K 图像分类、MS-COCO 目标检测与实例分割、ADE20K 语义分割上优于现有方法。其中，具有 23M 参数的 tiny 变体在 ImageNet-1K 分类中取得 83.3% 的 top-1 Accuracy；作者称其相较同等模型规模的最佳现有 Mamba 设计，参数效率提高 26%。摘要未明确这一效率比例的计算口径及具体对照型号，也未提供其余任务的分数，因此不能将不同任务或配置的结果直接比较。实验协议、消融及统计信息尚未验证。摘要提供了代码与模型发布地址，但实现与权重可用性尚未核验。 平台推测（待验证）：若 EEG 表征包含有意义的时间—空间或时间—频率结构，分组扫描与跨组调制可能成为降低计算开销、保留长程依赖的候选机制。可复用部分是分组 SSM 和调制思路，需改造输入编码与扫描方向；视觉二维邻接关系不能直接套用到电极布局。低信噪比、跨被试差异、通道缺失及小数据条件可能削弱收益，蒸馏还依赖可靠教师。一个可检验的小实验是在固定 EEG 输入、训练预算与被试划分下，对比分组扫描、加入调制及加入蒸馏的配置，分别报告被试内与跨被试性能、参数量和训练稳定性。此为迁移假设，并非本文已验证结论；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其分组定向扫描、跨通道调制与蒸馏训练如何共同改善视觉 SSM 的参数效率和训练稳定性，但这些机制对 EEG 的适用性尚未验证。