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。

188 条精选近 30 天 25 条共收录 239 条

更新

精选归档 · 第 8 页

1月1日周一第 141–160 条
  1. OpenReview · State space models75

    槽状态空间模型

    基于摘要分析。该研究针对常规状态空间模型（SSM）以整体状态向量建模、难以显式表达模块化过程的问题，提出 SlotSSMs：将状态表示为多个称为 slots 的向量，通过各槽独立的状态转移及受限的跨槽交互，在长程时序建模中保留或鼓励信息分离。 核心机制是把状态演化拆分到独立槽内，并通过 self-attention 瓶颈实现稀疏的槽间交互。相较于整体状态表示，这一设计引入了独立机制的归纳偏置，适合检验多个对象各自演化、同时存在相互作用的序列建模问题。摘要未说明槽的初始化与分配方式、具体 SSM 实现、损失函数及训练和推理配置，相关细节尚未验证。 作者报告，在 object-centric learning、3D visual reasoning 和 long-context video understanding 任务中，SlotSSMs 相较现有序列建模方法取得显著性能提升；这些任务涉及多个对象及其长程时间依赖。摘要未提供数据集、划分、具体对照方法或指标数值，不能据此量化收益或比较不同评估协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 中存在可分离且相互耦合的动态成分，独立槽状态及跨槽交互可能用于建模这些成分，而非直接把槽等同于电极或脑源。可复用模块是槽内时序更新与槽间交互；需改造 EEG 输入编码和槽分配机制。视觉任务中的对象结构不一定对应 EEG 的混合观测，低信噪比、跨被试与通道差异、小数据条件可能导致槽混叠或不稳定。可在固定 Cross-subject 划分下，以匹配参数量的整体状态 SSM 为对照，比较任务指标并检查槽表示稳定性，检验模块化偏置是否带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：SlotSSMs 将独立槽状态转移与受限跨槽交互结合，为模块化长程序列建模提供了可核对的机制设计；其能否改善 EEG 中多源动态的分离与建模尚未验证。

  2. OpenReview · State space models73

    探索视觉状态空间模型对后门攻击的鲁棒性

    基于摘要分析。本文研究 Visual State Space Model（VSS）对后门攻击的鲁棒性，重点考察 State Space Model（SSM）机制如何影响触发器敏感性，并研究 patch 处理对后门触发器的影响。后门攻击的目标是在特定触发器出现时使受感染模型输出攻击者指定的标签，同时在正常样本上维持正常行为。 作者报告，SSM 捕获 patch 内上下文信息的机制使 VSS 比不含 SSM 的模型更易受到后门触发器影响；另一方面，所考察的 patch 处理能够有效扰乱这些触发器。基于此，作者进一步考察在每个 patch 中重复出现、以抵抗 patch 扰动的后门触发方式。摘要未给出具体 patch 处理操作、触发器构造、投毒设置或训练细节，机制归因仍需结合正文与消融核对。 作者报告，在三个未具名数据集和多种后门攻击的实验中，VSS 的后门鲁棒性与 Transformers（ViTs）相近，但弱于仅堆叠 Gated CNN blocks、不含 SSM 的 Gated CNNs。摘要未提供具体指标、数值、数据划分及对照配置，不能据此量化差距或推断干净样本性能；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型将时间序列切分为 patch 并使用 SSM，重复触发模式与 patch 上下文聚合之间的关系可能成为安全性检查线索，但视觉实验不等于 EEG/BCI 验证。迁移需改造视觉 patch 和触发器为符合 EEG 时间、通道结构的输入模式；低信噪比、跨被试差异及小数据训练可能改变触发器可学习性。一个可检验的小实验是在固定数据划分和投毒条件下，对比含 SSM 与不含 SSM 的模型，测试局部及重复触发器在 patch 扰动前后的攻击成功率与干净样本 Accuracy。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其将 VSS 的后门敏感性与 SSM 的 patch 内上下文机制及 patch 处理联系起来，并提供与 ViTs、无 SSM 的 Gated CNNs 对照的安全性研究线索；具体实验协议与机制归因尚未验证。

  3. OpenReview · State space models71

    SSD4Rec：用于高效序列推荐的结构化状态空间对偶模型

    基于摘要分析。研究面向序列推荐中用户行为序列较长、长度不一时的偏好建模与计算效率问题，提出受 Mamba 启发的推荐骨干 SSD4Rec。其主要贡献是通过序列寄存器标记物品序列，并使用双向 Structured State Space Duality（SSD）块处理物品表示，以兼顾长程建模与硬件友好的计算。 核心机制：原任务依赖用户历史交互形成的离散物品序列，而非神经信号。摘要将序列寄存器与变长、长序列处理联系起来，将双向 SSD 块与硬件感知的矩阵乘法联系起来；寄存器的具体组织方式、双向信息融合、推荐目标与损失、训练和推理流程尚未验证。双向处理与推荐任务的信息可用范围如何匹配，也需结合全文协议核对。 结果与复现：作者报告，在四个基准数据集上的评估达到其所称的 state-of-the-art 性能，并随用户序列长度保持近线性扩展性。摘要未提供数据集名称、划分方式、对照基线、指标数值或扩展性测量条件，因此不能量化收益或直接比较不同协议。作者提供了公开代码链接，但实现与论文的一致性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，变长序列处理与 SSD 长程建模机制可能用于长时 EEG 的窗口表示序列，但推荐领域的结果不构成 BCI 有效性证据。可考虑复用 SSD 序列骨干，需改造连续信号编码、通道处理和任务输出；原方法对监督方式与训练规模的依赖尚不明确。低信噪比、跨被试差异、通道变化及小数据条件可能削弱其优势，双向处理也不能直接用于严格因果在线解码。一个小规模可证伪实验是在固定 EEG 数据划分与同一输入编码下，对比 SSD 骨干与 Transformer 的任务指标、运行时间和显存随序列长度的变化，分别限定离线与因果使用条件。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SSD4Rec 如何利用序列寄存器与双向 SSD 块处理变长、长序列，以及推荐性能与近线性扩展性的评估协议；其 EEG/BCI 迁移价值尚未验证。

  4. OpenReview · State space models72

    Audio Mamba：用于音频表征学习的双向状态空间模型

    基于摘要分析。本文研究音频分类是否必须依赖自注意力，提出 Audio Mamba（AuM），以纯状态空间模型（SSM）进行音频表征学习与分类，探索替代 Audio Spectrogram Transformers（ASTs）的技术路线。作者报告，在六个音频基准上，AuM 的表现与成熟 AST 模型相当或更好；摘要未提供基准名称、评估指标、数据划分或具体分数。 核心动机是 AST 的自注意力具有二次扩展成本，而 Mamba 等 SSM 提供了避开该成本的候选机制。标题明确采用双向状态空间模型，摘要将 AuM 描述为不含自注意力、完全基于 SSM 的模型，并声称其为首个此类音频分类模型；这一优先性尚未独立核验。输入表示、双向信息融合方式、网络结构、损失与训练流程，以及实际计算量、显存和推理速度尚未验证。实验协议、消融及统计信息也尚未验证，不能仅凭移除自注意力认定其端到端效率更高。 平台推测（待验证）：其跨领域价值在于检验 SSM 能否替代长序列分类中的自注意力，而不是已证实的 EEG 或 BCI 效果。原研究依赖音频分类数据，但摘要未说明表征方式、监督配置及训练规模。若迁移至 EEG，可考虑复用 SSM 序列编码机制，改造输入切分、通道编码与分类输出；低信噪比、跨被试差异、通道布局变化和小样本训练均可能使音频领域结果失效。双向建模还需核对对完整输入窗口的依赖，不能直接视为适用于因果在线解码。 一个可检验的假设是：在固定 EEG 数据划分、预处理和训练预算下，SSM 编码器能以较低资源成本达到与自注意力编码器相当的分类表现。可先在单一 EEG 分类任务上进行匹配对照，分别报告分类指标、显存及延迟，再评估跨被试表现；具体复现仍依赖全文与实现信息。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其以纯 SSM 音频分类模型检验对自注意力的依赖，并提供六个基准上的 AST 对照；性能与计算成本的具体证据仍需全文核对。

  5. OpenReview · State space models77

    大规模变分 Gaussian 状态空间模型

    基于摘要分析。研究针对概率状态空间模型在大规模动力系统学习中，计算可扩展性与后验灵活性、动力学表达能力之间的权衡，提出用于非线性 Gaussian 状态空间图模型的低秩结构化变分自编码框架。主要研究对象是动态数据的生成建模与预测，并以神经生理记录中的神经元群体脉冲活动及行为相关量预测展示应用，而非直接验证 EEG 或 BCI 解码。 核心机制是结合基于采样的近似 Gaussian 消息传递与低秩摊销后验更新，利用推断过程中自然产生的协方差结构，执行近似变分平滑。框架旨在捕捉对时空结构建模和预测重要的稠密协方差，同时使推断时间复杂度随状态维度线性增长；这一复杂度表述不能扩展为对序列长度或所有计算环节的保证。具体损失、低秩参数化、采样规模及训练流程尚未验证。 作者报告，与其他深度状态空间模型架构相比，该方法能够学习预测能力更强的生成模型；在神经生理记录上，可从单次试验的一小部分记录预测神经元群体脉冲活动与行为相关量。摘要未提供数据集、样本规模、预测时距、划分方式、基线名称或量化指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多通道 EEG 中的共享潜在动力学可由非线性 Gaussian 状态空间模型近似，该框架可能用于研究噪声条件下的潜在状态估计与时序预测。可复用部分是结构化后验与平滑推断；需改造观测模型以适配连续 EEG，并核对其 Gaussian 假设。低信噪比、伪迹、跨被试分布差异及小数据可能削弱动力学辨识，低秩近似也可能遗漏重要协方差。一个可检验的小实验是在固定被试内训练与留出试验划分下，对比结构化后验与对角后验的 EEG 预测误差、预测不确定性及计算开销，控制潜在状态维度与训练预算。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其如何利用低秩后验更新与近似 Gaussian 消息传递，在保留稠密协方差表达能力的同时实现随状态维度线性扩展的变分平滑；预测优势的具体评估协议尚未验证。

  6. 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）在真实环境中易受运动伪影和噪声影响的问题，提出 PhysMamba，利用 State Space Duality 构建时频交互双路径模型，以学习更具代表性的特征。 机制方面，作者设计 Cross-Attention State Space Duality（CASSD），促进两条路径之间的信息交换与特征互补。摘要将时频交互及跨路径融合与噪声条件下的鲁棒性提升联系起来，但具体时频表示、状态空间实现、交互位置、损失函数及训练流程尚未验证。 作者报告在 PURE、UBFC-rPPG 和 MMPD 数据集上开展比较实验，并达到 SOTA，尤其在复杂环境下表现突出。摘要未提供具体指标、数值、数据划分及对照方法，因此目前无法判断优势幅度，也不能确定这些结果属于数据集内评估还是 Cross-dataset 评估。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、信号标签、评估流程及实现可用性。 平台推测（待验证）：若 CASSD 的时频互补机制不依赖面部视频的特定空间结构，可探索其对 EEG 非平稳信号和伪影干扰的适用性。可复用候选是双路径信息交互模块，需改造视频输入与特征编码；原方法对监督信号、数据规模和时频表示的依赖尚不明确。EEG 的低信噪比、跨被试差异、通道变化及小数据条件可能使交互模块放大伪影或过拟合。一个可检验的小实验是在固定 Cross-subject EEG 划分、相同预处理与训练预算下，对比单路径、双路径无交互及 CASSD 交互模型，并检查受控噪声扰动下的性能变化。该迁移假设不构成已验证的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其通过 CASSD 实现时频双路径信息交互的机制，但复杂环境下的鲁棒性优势仍需结合完整实验协议、指标与消融核对。

  7. 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。DGMamba 研究视觉域泛化中的分布偏移问题，尝试在保留 Mamba 全局感受野与线性复杂度优势的同时，通过抑制域特异隐藏状态、调整图像 patch 扫描和组合方式，提高对未见域的泛化能力。 核心机制包括 Hidden State Suppressing（HSS）与 Semantic-aware Patch Refining（SPR）。HSS 用于减轻与域特异特征相关的隐藏状态对输出预测的影响。SPR 旨在让模型更多关注对象而非上下文，包含 Prior-Free Scanning（PFS）和 Domain Context Interchange（DCI）：PFS 打乱图像中的非语义 patch，构造更灵活的序列；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 施加正则化。摘要未提供隐藏状态识别与抑制的具体实现、语义 patch 判定方法或损失形式。 作者报告，在四个常用 DG benchmark 上，DGMamba 获得优于所比较先进模型的结果；摘要未列出 benchmark 名称、指标数值、训练与测试域划分及具体基线，因此尚不能判断收益幅度及各模块贡献。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，并非已确认发布。 平台推测（待验证）：假设 EEG 中也能区分任务相关信息与被试或会话特异背景，HSS 的抑制思路可能对应跨被试、跨会话分布偏移；但图像对象与背景的划分不能直接等同于 EEG 的时间段或通道。可考虑复用隐藏状态抑制与背景重组思路，需改造 patch 定义、任务相关性判定及扫描顺序，避免破坏时序和通道关系。低信噪比、小数据及被试间差异可能使判定不稳定，误抑制有效信号。一个可证伪的小实验是在固定跨被试划分下，对比基础 Mamba 与仅加入 HSS 的版本，保持训练数据和调参预算一致，检查未见被试表现是否改善；这一迁移假设尚无本文证据支持，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 DGMamba 将域泛化中的域特异特征抑制与图像扫描机制改造分别落实为 HSS 和 SPR，可据此核对状态空间模型的泛化收益来源，但其 EEG 迁移价值尚未验证。

  8. OpenReview · State space models72

    PointMamba：用于点云分析的简单状态空间模型

    基于摘要分析。本文研究点云分析中全局建模与计算成本之间的权衡，提出 PointMamba，将源于 NLP 的 Mamba 状态空间模型（SSM）用于点云分析，以线性复杂度算法替代具有二次复杂度的注意力机制。 核心机制是利用空间填充曲线进行点 token 化，再以简单、非层级的 Mamba 编码器作为骨干。方法的关键路径是将三维空间中的点组织成可供序列模型处理的 token 序列，并利用 SSM 进行全局建模；摘要未说明具体空间填充曲线、点特征构造、训练目标或推理设置。 作者报告，在多个数据集上的评估中，PointMamba 获得更优性能，同时显著降低 GPU 显存使用量与 FLOPs。但摘要没有给出数据集名称、具体任务、划分协议、对照模型或数值，因此无法判断优势的适用范围及不同设置下的可比性。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前发布状态及复现所需配置尚未验证。 平台推测（待验证）：可迁移的假设是，线性复杂度的 Mamba 编码器可能缓解长时段 EEG 建模的计算开销；但点云的空间序列化并不直接等同于 EEG 的时间与通道组织。编码器思路可供参考，token 化则需改造成保留时间顺序及电极空间关系的表示，原研究所依赖的监督方式和训练规模尚不明确。低信噪比、跨被试分布差异、通道布局变化及小数据条件均可能使该假设失效。一个可检验的小实验是在固定 EEG 数据划分、训练预算与输入长度条件下，对比 Mamba 与 Transformer 编码器，分别考察任务性能、显存和计算量，并检验通道排序变化的影响。相关 EEG 工作尚未检索确认，这不构成已证实的 BCI 效果。

    阅读价值：值得核对其空间填充曲线序列化与非层级 Mamba 编码器如何兼顾全局建模和计算开销，但摘要中的性能与资源优势及其对 EEG 的适用性尚待验证。

  9. OpenReview · State space models72

    用于相关事件发生时间预测的深度状态空间生成模型

    基于摘要分析。该研究针对肾衰竭、死亡等多类临床事件之间的相互依赖，提出深度潜在状态空间生成模型，通过显式建模患者潜在状态的时间动态，预测相关事件的发生时间及患者生存分布。其主要研究对象是电子病历中的临床事件，而非 EEG 解码或 BCI 控制。 机制方面，模型以随时间演化的患者潜在状态表达不同临床事件间的交互，并在学习到的状态基础上构建一种通用离散时间 hazard rate（风险率）表述，用于估计生存分布。摘要未披露状态转移与观测模型的具体形式、训练目标、推断方法，以及删失数据和事件间依赖的处理细节，均尚未验证。 作者报告，在真实 EMR 数据上的评估中，该方法相较多种作者所称的先进基线取得更好的预测表现，并揭示了死亡与不同器官衰竭之间具有意义的潜在关联。摘要未给出数据集名称、患者规模、数据划分、评价指标或具体增益；实验协议、消融及统计信息尚未验证。模型揭示的关联不能据此解释为因果关系。 平台推测（待验证）：若目标是依据纵向神经信号预测多个相关事件的发生时间，而非通常的分类式 BCI 解码，潜在状态动态与离散时间风险率建模可能具有方法参考价值。迁移需明确事件定义、时间标注与删失结构，并将 EMR 观测表示改造成神经信号表示；低信噪比、通道差异、跨被试变化及小样本下的稀少事件可能使状态估计和风险率估计不稳定。可在具有可靠多事件时间标注的数据上，固定划分和信号表示，比较联合事件建模与独立事件建模的生存预测表现，以检验相关性建模是否带来增益。已有 EEG 相关工作尚未检索确认，这一假设不构成已验证的 BCI 效果。

    阅读价值：值得关注其通过患者潜在状态的时间演化联合建模多类临床事件，并以离散时间 hazard rate 估计生存分布的机制；摘要中的性能优势及事件关联解释仍需结合全文协议核对。

  10. OpenReview · State space models76

    槽状态空间模型（Slot State Space Models）

    基于摘要分析。该研究针对传统 State Space Models（SSMs）以单一整体状态向量表示序列、难以体现底层过程模块化结构的问题，提出 SlotSSMs：将状态组织为多个称为 slots 的向量，通过独立状态转移与受限交互，保留或鼓励不同机制之间的信息分离。 核心机制是各 slot 独立执行状态转移，并通过 self-attention 瓶颈实现 slots 之间的稀疏交互。与摘要所述的传统整体式状态表示相比，其主要区别是显式引入模块化归纳偏置，同时允许模块交换信息。摘要未说明 slots 的构造方式、交互稀疏性的具体实现、训练目标及计算复杂度，不能据此推定其采用特定 SSM 骨干或获得特定效率收益。 作者报告，在 object-centric learning、3D visual reasoning 和 long-context video understanding 任务中，SlotSSMs 相较现有序列建模方法取得明显性能提升；这些任务涉及多个对象及其长程时间依赖。摘要未给出数据集、划分、指标数值或具体对照方法，实验协议、消融及统计信息尚未验证。复现前需核对完整模型定义、训练配置，以及项目页是否提供可用实现与实验资源。 平台推测（待验证）：其可迁移假设是，将 EEG 中部分潜在时序过程表示为独立 slots，再用受限交互建模过程间依赖，可能减少不同过程在整体状态中的混合。可复用的是模块化状态演化与交互框架；需要改造的是 EEG 输入编码、slot 分配和任务输出。原研究面向多对象视觉任务，所需对象结构与监督条件尚不明确，EEG 中也不能直接将 slot 等同于脑区或通道。低信噪比、容积传导导致的观测混合、跨被试差异、通道配置变化及小数据训练均可能使分解失效。一个可检验的小实验是在固定 EEG 任务和同一跨被试划分下，比较容量匹配的整体式 SSM 与 SlotSSMs，并对跨 slot 交互做消融，观察模块化是否改善泛化而非仅增加容量。已有 EEG 相关工作尚未检索确认。

    阅读价值：SlotSSMs 将独立状态演化与受限的跨 slot 交互结合，为研究模块化长程时序建模提供了可核对的机制思路，但其在 EEG/BCI 中的适用性尚未验证。

  11. OpenReview · State space models72

    Event USKT：用于事件相机知识迁移的 U 形状态空间模型

    基于摘要分析。该研究针对事件相机数据有限、难以充分利用已有 RGB 预训练模型的问题，提出 U 形状态空间模型知识迁移框架 USKT。其核心贡献是生成与 RGB 帧兼容的输入，使事件数据能够复用 RGB 预训练模型，并引入采用共享权重策略的 Bidirectional Reverse State Space Model（BiR-SSM）。 机制上，摘要将 USKT 描述为 Event-to-RGB 知识迁移框架：通过输入兼容化连接事件数据与 RGB 模型，而非仅依赖事件数据训练新模型。BiR-SSM 与常规双向扫描机制的区别在于共享权重；作者认为该设计有助于高效建模并节省计算资源。具体事件表示、U 形结构、反向扫描方式、损失函数、冻结或调优的参数范围及推理成本尚未验证。 结果方面，作者报告，使用 ResNet50 作为骨干时，在 DVS128 Gesture、N-Caltech101 和 CIFAR-10-DVS 上的模型性能分别提升 0.95%、3.57% 和 2.9%。摘要未明确这些提升对应的指标、比较基线、数据划分，以及百分比是否表示相对增幅，因此不能将其改写为 Accuracy 的百分点提升，也不能跨数据集直接比较。实验协议、消融及统计信息尚未验证。材料称代码将在论文被接收后公开，当前代码可用性及接收状态均尚未验证。 平台推测（待验证）：可迁移假设是，输入兼容化与共享权重双向建模可能帮助数据有限的 EEG 任务复用预训练表示。但事件视觉数据与 EEG 的通道语义、时间结构和噪声特征不同，RGB 输入兼容不等于保留 EEG 判别信息。可考察状态空间建模及参数共享模块，输入映射则需针对 EEG 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映射丢失有效信息或过拟合。一个可证伪的小实验是在固定跨被试划分、相同预训练骨干和调优预算下，对比简单 EEG 输入映射与 USKT 式映射，并以取消双向权重共享作为对照，检查性能与计算成本是否同时改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 USKT 如何将事件数据转换为 RGB 预训练模型可用的输入，以及 BiR-SSM 的共享权重机制能否在减少参数调优与计算开销的同时保留任务信息；其 EEG 迁移价值尚未验证。

  12. OpenReview · State space models70

    采用分形扫描的可扩展视觉状态空间模型

    基于摘要分析。该研究针对视觉 State Space Models（SSMs）中图像 patch 序列化可能破坏空间关系的问题，提出以分形扫描曲线替代线性扫描，旨在改善空间邻近性保持并适应不同图像分辨率。 核心机制是调整二维图像 patch 到一维序列的排列方式，使 SSM 在序列建模时更有效地利用空间结构。作者认为，现有线性扫描容易产生重复模式与偏置，而分形曲线能够保持较高的空间邻近性、减少冗余并提升复杂模式建模能力。摘要未说明具体分形曲线、扫描实现、模型结构或训练配置，因此不能进一步确定其计算与存储开销。 作者报告在图像分类、检测和分割任务中取得优于对照方法的表现，但摘要未提供数据集、划分、基线名称、指标或数值，无法量化收益或比较不同协议下的结果。实验协议、消融及统计信息尚未验证；复现需取得完整的扫描规则、分辨率适配方式、训练设置及对照配置。 平台推测（待验证）：该机制依赖 patch 的二维空间邻接关系，可为 EEG 通道×时间表示的序列化提供思路，但图像空间邻近不等同于电极间的功能关系。可复用的是扫描与序列排列模块，需改造的是电极拓扑映射和时间顺序约束；低信噪比、跨被试差异、通道布局变化及小数据可能削弱收益。一个可检验的小实验是在固定 EEG 表示、SSM 主干与训练配置下，对比线性扫描和分形扫描，使用一致的 Cross-subject 划分，检查任务指标及时间邻接是否受到破坏。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对分形扫描如何保留图像 patch 的空间邻近关系，以及其相对线性扫描的收益是否在不同分辨率和任务下稳定；摘要尚不足以判断收益幅度与计算代价。

  13. OpenReview · State space models73

    Mamba-ST：用于高效风格迁移的状态空间模型

    基于摘要分析。该研究面向图像风格迁移：给定内容图像与风格来源，生成保留内容、呈现目标艺术风格的图像。作者提出 Mamba-ST，通过修改 Mamba 的状态空间模型（SSM）内部方程，使其接收并融合两路独立数据流，以替代风格迁移中的 cross-attention 功能。 核心机制是将两个独立嵌入组合为单一输出，而不依赖额外的 cross-attention 或定制归一化层。研究针对的是 Transformer 注意力层的内存开销，以及扩散模型较高的推理时间。作者称这是其所知首次通过改写 SSM 方程、在不使用上述额外模块的情况下完成这类视觉风格迁移任务；这一优先性主张尚未独立核实。摘要未给出具体方程、两路输入的组织方式、训练目标或推理流程。 作者报告，在与 Transformer 和扩散模型的风格迁移比较中，Mamba-ST 在 ArtFID 和 FID 指标上表现更好，并具有内存与时间复杂度优势。摘要未提供分数、数据集、划分、对照模型或硬件条件，因此不能量化改善幅度，也不能判断效率优势在何种分辨率和输入长度下成立。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性与复现条件尚未核对。 平台推测（待验证）：可供 EEG/BCI 研究考察的是双数据流条件融合机制，而非图像风格迁移效果本身。假设 EEG 时序表示需要与任务或被试条件表示交互，该机制可能成为 cross-attention 的替代候选；但需改造输入编码、时间对齐与训练目标，且原方法对配对数据、监督和训练规模的具体依赖尚未验证。低信噪比、通道差异及小数据可能使融合机制难以学到稳定关系。一个可检验的小实验是在固定跨被试划分、编码器与训练预算下，仅替换双流融合模块，对比 cross-attention 与改造后的 Mamba-ST，核对分类 Accuracy、显存和推理延迟。该假设不构成已验证的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Mamba-ST 如何通过修改 SSM 内部方程实现双数据流融合，以及其相对 cross-attention 的质量与资源开销权衡；摘要报告了效果优势，但具体评估协议与效率数据尚未验证。

  14. OpenReview · State space models73

    STG-Mamba：基于选择性状态空间模型的时空图学习

    STG-Mamba 面向动态、异质且非平稳的时空图（STG）预测，将图网络视为随时间演化的系统，结合选择性状态空间模型与图表示学习。基于摘要分析，未取得论文全文；研究主要对象是通用时空图预测，而非 EEG 或 BCI。 核心机制：作者提出 Spatial-Temporal Selective State Space Module（ST-S3M），用于选择性地建模 STG 潜在特征及系统的时间状态演化；同时提出 Kalman Filtering Graph Neural Networks（KFGN），通过基于 Kalman Filtering 统计理论的可学习方法，动态整合和更新不同时间粒度的 STG 嵌入。相较于作者所描述的偏重节点关系建模的 GNN 方法，其着眼点是联合刻画图结构与系统内在状态的时间变化。具体状态更新、选择机制、滤波参数化方式、损失函数及训练流程尚未验证。作者将该工作称为选择性状态空间模型用于 STG 学习的首次探索，这一优先性主张尚未独立核实。 结果与复现：作者报告在三个 STG 预测基准数据集上，STG-Mamba 的预测性能优于所比较的现有方法，并降低 FLOPs 和测试推理时间。摘要未提供数据集名称、划分、指标、具体分数或计算测量条件，因此无法量化收益或判断不同设置下的可比性；实验协议、消融及统计信息尚未验证。摘要提供了实现代码地址，但代码内容、运行环境和复现完整性尚未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为序列，选择性状态演化与多时间粒度融合可能对应 EEG 非平稳性及跨时间尺度依赖问题。可考虑复用状态空间建模与表示融合思路，但需改造通道图构建、输入特征及任务输出；原方法依赖的图结构、监督方式和训练规模仍需查阅正文。低信噪比、通道配置变化、被试差异及小数据可能使状态选择或滤波估计不稳定。一个可证伪的小实验是在固定被试内 EEG 划分下，比较完整组合与去除 KFGN 的版本，并在匹配训练预算的前提下检验任务指标、推理成本及加噪后的稳定性。原领域结果不构成 BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 ST-S3M 与 KFGN 如何结合系统状态演化和多时间粒度图表示，以及预测性能与计算成本的对照；其对 EEG 时空建模的适用性尚未验证。

  15. OpenReview · State space models70

    用于图像融合的局部增强与状态共享新型状态空间模型

    基于摘要分析。本文研究多源图像融合，针对作者认为视觉 Mamba 存在的状态容量受限、局部图像信息建模不足以及光谱信息捕获不充分问题，提出局部增强模块 LEVM 与状态共享技术，并构建多尺度图像融合网络 LE-Mamba。研究对象是多光谱全色锐化及多光谱与高光谱图像融合，而非神经信号解码。 机制上，LEVM 旨在增强局部信息感知，同时学习局部与全局空间信息；状态共享用于增强空间细节并整合空间与光谱信息；整体网络采用基于视觉 Mamba 的多尺度结构。摘要未说明局部增强的具体算子、状态共享的实现与共享范围，也未提供损失函数、监督方式及训练配置，因而目前不能判断各组件的独立贡献。 作者报告，在多光谱全色锐化及多光谱与高光谱图像融合数据集上的实验达到 SOTA，但摘要未列出数据集名称、划分、对照基线或具体指标。实验协议、消融及统计信息尚未验证，需结合全文核对空间细节与光谱保真度的评估依据。摘要称代码将公开，不能据此认定实现已可获取。 平台推测（待验证）：局部—全局联合建模及状态共享可作为 EEG 多尺度或多频带表征融合的候选机制，但这仅是迁移假设。原方法依赖图像的空间与光谱结构，图像光谱维度不能直接等同于 EEG 时间频率；迁移时需重新定义时间、通道与频带的序列组织及状态共享边界。局部增强与多尺度结构可作为候选复用模块，但低信噪比、跨被试差异、通道布局变化和小样本可能使共享状态传播噪声或产生过拟合。一个可检验的小实验是在固定 EEG 任务及相同跨被试划分下，对比基础 Mamba、加入局部增强、加入状态共享及两者结合，保持训练预算一致，检验各模块是否带来稳定增益。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 LEVM 的局部增强与状态共享如何改善多源图像的空间—光谱融合；摘要支持其图像融合研究价值，但尚不能据此判断 EEG/BCI 迁移效果。

  16. OpenReview · State space models79

    VMamba：视觉状态空间模型

    基于摘要分析。本文研究如何构建计算高效的视觉网络，将状态空间语言模型 Mamba 适配为具有线性时间复杂度的视觉骨干 VMamba，核心贡献是用 2D Selective Scan（SS2D）处理二维视觉数据与一维选择性扫描之间的结构差异。 技术机制：VMamba 由 Visual State-Space（VSS）块堆叠构成，SS2D 沿四条扫描路径遍历二维数据，以收集不同来源和视角的上下文信息。作者据此构建一系列 VMamba 架构，并通过架构与实现层面的改进加速。摘要未给出具体扫描方向、状态更新公式、损失、训练配置及各加速措施，尚不能核对其计算开销与性能收益的来源。 结果与复现：作者报告，VMamba 在多种视觉感知任务上表现良好，相较现有基准模型具有更优的输入规模扩展效率。摘要未列出任务、数据集、指标、数值或对照配置，因此不能据此判断优势幅度，也不能将线性时间复杂度直接等同于实际运行速度。实验协议、消融及统计信息尚未验证。材料提供了源码仓库，但实现与论文版本的对应关系及完整复现条件仍需核对。 平台推测（待验证）：迁移假设是将 EEG 的时间与通道，或时频表示，组织为二维输入，借用多路径选择性扫描建模上下文。原方法依赖二维结构，预训练数据规模与监督设置在摘要中未说明；EEG 的通道排列并不天然等同于图像邻接关系，因此可考察 SS2D 与 VSS 模块，但需改造输入编码、通道拓扑和任务输出。低信噪比、跨被试差异、缺失通道及小数据可能使扫描路径引入不稳定依赖或过拟合。一个可证伪的小实验是在固定 EEG 任务、训练预算与数据划分下，对比二维多路径扫描、仅时间扫描及常规基线，并扰动通道顺序，检验收益是否依赖人为排列；这不是论文已验证的结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以四条扫描路径将一维选择性扫描适配到二维视觉数据的机制，以及输入规模扩展效率的评估；该机制对 EEG 的适用性尚未验证。

  17. 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，旨在用单一模型将低分辨率图像重建到任意目标尺度。其核心贡献是通过 Scalable State Space Model（SSSM）构建可伸缩的连续表示空间，并结合尺度感知自注意力强化不同尺度下的全局重要特征建模。 机制上，Implicit Neural Representations（INR）通过坐标与像素值之间的连续表示支持任意尺度重建。作者认为，现有基于 CNN 和 Transformer 的方法受到计算复杂度及长程依赖建模能力的限制；SSSM 在离散化过程中调制状态转移矩阵与步长采样矩阵，以实现尺度可调的连续表示建模。作者报告该机制具有线性计算复杂度，但摘要未说明其对应的复杂度变量、完整网络开销或具体调制形式，尚需全文核对。 作者报告，在合成及真实场景基准上的实验取得了最先进性能和任意超分辨率尺度下的较强泛化能力。摘要未提供数据集名称、训练与测试尺度划分、对照方法、指标或数值，因此目前不能定量判断收益，也不能确认对未见尺度的具体泛化范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 关联是将尺度条件化的状态空间建模用于不同采样率下的连续时间信号重建，而非直接复用图像超分辨率效果。该假设依赖可建立的时间坐标和低、高采样率监督配对；可考察复用 SSSM 的离散化调制机制，输入表示与尺度感知模块则需适配 EEG 的时间轴、通道布局及生理频带。低信噪比、跨被试差异、通道缺失和小数据可能导致噪声放大或虚假高频重建，且上采样不能保证恢复已丢失的生理信息。一个可证伪的小实验是对高采样率 EEG 进行受控抗混叠降采样，在按被试隔离的划分中比较该机制、固定尺度模型与插值基线，并测试未见采样倍率下的波形误差及频谱保真度。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其通过离散化过程中的状态转移与步长采样调制构建尺度连续表示的机制，但任意尺度泛化、计算开销及向 EEG 迁移的有效性仍需核对全文或实验验证。

  18. OpenReview · State space models70

    用于图像去模糊的高效视觉状态空间模型

    基于摘要分析。本文针对图像去模糊中长程依赖建模与高分辨率计算成本之间的矛盾，提出高效视觉状态空间模型 EVSSM，以状态空间模型（SSMs）提取非局部信息，并通过视觉扫描模块降低多固定方向扫描带来的计算开销。 核心机制是：在各个基于 SSM 的模块之前施加不同几何变换，以捕获有用的非局部信息。摘要将其与采用多个固定方向扫描的既有方法对照，强调扫描方式的效率改进；具体变换类型、扫描顺序、网络结构、损失函数及训练配置尚未验证。作者以 Transformer 模型计算复杂度随图像分辨率呈二次增长作为研究动机，但摘要没有给出 EVSSM 的复杂度公式或实测资源消耗。 作者报告，EVSSM 在图像去模糊基准数据集和真实拍摄图像上，相较现有先进方法表现良好。摘要未列出数据集名称、划分、对照方法或定量指标，因此尚不能判断性能增益、效率收益及二者的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 表示为通道×时间或时频特征，SSM 的序列建模和扫描组织方式可能用于捕获较长时间范围的依赖。但原方法依赖图像空间结构，其几何变换不能直接视为 EEG 的有效变换：通道排列具有电极拓扑意义，时间方向也有特定语义。可复用候选是 SSM 建模与扫描组织思路，需改造的是输入表示及变换规则；低信噪比、跨被试差异、通道缺失和小数据训练均可能使收益消失。可检验的小实验是在固定数据划分和训练预算下，对照单方向扫描、多个固定方向扫描与保留电极拓扑的变换方案，分别报告被试内及跨被试性能、推理耗时和显存占用。该假设并非本文已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对几何变换驱动的视觉扫描如何兼顾非局部建模与计算效率，但摘要未提供定量性能或复杂度数据，其优势及向 EEG 的迁移价值尚未验证。

  19. OpenReview · State space models78

    VMamba：视觉状态空间模型

    基于摘要分析。本文研究如何构建计算高效的视觉网络，将状态空间语言模型 Mamba 迁移为具有线性时间复杂度的视觉骨干 VMamba，核心贡献是通过 2D Selective Scan（SS2D）适配二维视觉数据的结构。 机制上，VMamba 由 Visual State-Space（VSS）块堆叠构成，其中 SS2D 沿四条扫描路径遍历，以连接一维选择性扫描的有序处理方式与二维视觉数据的非序列结构，从不同方向汇集上下文信息。作者据此构建了一组 VMamba 架构，并通过架构与实现层面的改进加速。摘要未展开具体扫描顺序、状态更新形式、训练目标或加速实现，相关细节尚未验证。 作者报告，VMamba 在多种视觉感知任务中展现出良好性能，相较既有基准模型具有输入规模扩展效率优势。摘要未提供任务名称、数据集、数据划分、对照模型、数值指标及复杂度测量条件，因此不能据此量化性能提升，或将线性复杂度直接等同于实际运行速度优势。实验协议、消融及统计信息尚未验证。材料提供了公开代码仓库，复现仍需核对具体配置、训练预算与软硬件环境。 平台推测（待验证）：若 EEG 被表示为通道×时间或时频二维结构，SS2D 的多方向上下文聚合可能用于建模长程依赖；这一假设依赖二维排列能够保留有意义的通道或时频关系，视觉领域结果不等于 EEG/BCI 效果。可考察复用 VSS 与扫描机制，但需改造输入编码、通道排列和任务输出。低信噪比、不规则电极布局、跨被试差异及小数据训练可能削弱收益，预训练与监督规模要求也尚未验证。一个可检验的小实验是在固定 EEG 数据划分、训练预算和相近模型容量下，对照多方向 SS2D 与单方向扫描，并扰动通道排列，观察任务指标及计算成本是否稳定改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以四条扫描路径将一维选择性扫描适配到二维视觉数据的机制，并核对输入规模扩展效率的对照实验；该机制对 EEG 的适用性尚未验证。

  20. 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。