跳到正文

算法、任务与模态

Mamba 最新动态

Mamba 研究索引；按可核对的标签归档，不以热度评价质量。

206 条精选近 30 天 16 条共收录 276 条

更新

精选归档 · 第 10 页

1月1日周一第 181–200 条
  1. OpenReview · State space models75

    Video Mamba Suite：状态空间模型作为视频理解的通用替代方案

    基于摘要分析。该研究主要面向计算机视觉中的视频理解，考察状态空间模型 Mamba 能否成为 Transformers 的可行替代方案。作者将 Mamba 在视频建模中的用途归为四类角色，构建包含 14 个模型或模块的 Video Mamba Suite，并在 12 项视频理解任务上进行评估。 技术分析：研究以 Mamba 的长序列建模潜力为出发点，系统考察其在不同视频建模角色与任务中的适用性，而非只提出一个单任务模型。摘要未说明四类角色的具体定义、各模块结构、训练目标、视频序列组织方式或与 Transformers 的对照配置，这些信息尚未验证。 结果与复现：作者报告，该套件在纯视频与视频—语言任务上均显示出较强潜力，并呈现有前景的效率—性能权衡；摘要未提供具体数据集、数据划分、指标、数值或计算资源条件，因此不能据此认定其全面优于 Transformers。作者提供了公开代码链接，但实现与论文实验的一致性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制路径是利用状态空间模型处理长时间序列，探索 EEG 长时依赖建模的计算开销问题；视频中的有效性不等于 BCI 有效性。可考虑复用时间序列建模模块，但需改造 EEG 输入表示、通道组织与任务输出。低信噪比、跨被试差异、通道变化及小数据训练可能削弱收益。一个可检验的小实验是在固定 EEG 数据划分、预处理及训练预算下，对照 Mamba 与 Transformer 时间建模模块，分别报告被试内和跨被试任务性能、显存占用与推理延迟，不混合不同协议的结果。已有相关 EEG 工作尚未检索确认。

    阅读价值：该研究通过多角色、多任务评估检验 Mamba 在视频理解中替代 Transformers 的可行性，值得核对其效率—性能权衡及任务适用边界，但其 EEG/BCI 迁移价值尚未验证。

  2. 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。

  3. 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。

  4. 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。

  5. OpenReview · State space models70

    VideoMamba：时空选择性状态空间模型

    基于摘要分析。该研究面向视频识别，将纯 Mamba 架构改造为 VideoMamba，通过时空前向与后向 SSM 联合处理非顺序的空间信息和顺序的时间信息，旨在兼顾视频长程依赖建模与计算效率。 核心机制是利用 Mamba 的选择性状态空间模型，而非依赖自注意力。摘要以自注意力的二次复杂度与 Mamba 的线性复杂度作对照，但未给出视频输入的序列化方式、空间与时间扫描路径、双向信息融合方式或训练目标，因此不能据此推断具体网络结构。其方法关注点在于如何用状态空间计算协调视频中不同性质的时空关系，而不只是替换计算模块。 作者报告，VideoMamba 在多种视频理解基准上具有有竞争力的表现和较高效率，并能有效捕获长程依赖。摘要未列出基准名称、数据划分、对照模型、性能指标及资源测量条件，故这些结论目前只能按作者的定性报告理解；实验协议、消融及统计信息尚未验证。复现时需核对实现、训练配置，以及序列长度、输入分辨率和硬件条件下的实际效率。 平台推测（待验证）：若 EEG 能被组织为具有明确时间顺序和通道空间关系的序列，时空双向选择性 SSM 可能为长时间窗建模提供可检验的机制假设。可复用的是选择性 SSM 与双向时序处理思路；需改造视频输入编码、通道空间组织和任务输出模块。EEG 的低信噪比、跨被试差异、通道布局变化及小数据规模可能使视频中的优势无法迁移，双向处理也不宜直接用于要求严格因果性的在线推理。一个小规模检验是在固定 EEG 任务与跨被试划分下，保持输入编码及训练预算一致，对比单向 SSM 与时空双向版本，并同时测量任务指标、显存和延迟。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其时空双向选择性 SSM 如何组织空间与时间信息，以及作者所称效率优势的评估条件；其对 EEG 长序列建模的价值尚未验证。

  6. OpenReview · State space models73

    Mamba24/8D：通过状态空间模型增强点云全局交互

    基于摘要分析。该研究面向 3D 点云语义分割，针对 Transformer 二次复杂度限制同时处理的点数及长程依赖建模的问题，提出基于状态空间模型（SSM）的 Mamba24/8D，旨在以线性复杂度增强点云的全局交互。 核心机制包括两部分：一是多路径序列化策略，将无序点云组织为适配 Mamba 因果建模的序列；二是 ConvMamba block，用于补偿 Mamba 在局部几何建模和单向建模方面的不足。摘要未说明序列化路径的构造规则、局部算子的具体实现、模块融合方式或训练目标，不能由模型名称推断路径数量或网络结构。 作者报告，Mamba24/8D 在 ScanNet v2、ScanNet200 和 nuScenes 的 3D 点云分割任务上取得最先进结果，并通过广泛实验验证有效性。摘要未提供具体指标、分数、数据划分、对照基线及计算开销；实验协议、消融及统计信息尚未验证。阅读全文时需核对线性复杂度所涵盖的计算环节，以及多路径处理的实际时间和内存成本。 平台推测（待验证）：可迁移的机制假设是利用多路径组织与局部信息补偿，缓解序列扫描顺序对全局建模的影响，而非直接复用点云分割结论。原方法依赖点云空间结构，EEG 则具有时间顺序、通道位置和低信噪比等不同约束；SSM 全局建模思路可能可复用，但序列化方式和局部算子需按时间轴与电极布局改造。跨被试差异、通道布局变化及小样本训练可能使多路径收益消失。一个可证伪的小实验是在固定数据划分和训练预算下，对 EEG 分类比较单路径 SSM、增加多路径组织及再加入局部算子的结果，并同时记录分类指标与计算开销；该实验仅用于检验迁移假设。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对多路径序列化与 ConvMamba 如何协调无序点云、因果序列建模及局部几何信息，但摘要所述分割性能和线性复杂度优势尚需全文验证，不能直接视为 EEG/BCI 有效性的证据。

  7. OpenReview · State space models73

    MambaAD：探索用于多类别无监督异常检测的状态空间模型

    基于摘要分析。本文研究多类别无监督异常检测，提出 MambaAD，以预训练编码器和包含多尺度 Locality-Enhanced State Space（LSS）模块的 Mamba 解码器，联合建模特征中的长程依赖与局部信息。原研究对象是特征图上的异常检测，而非 EEG 或 BCI。 方法机制：摘要将 CNN 的长程依赖建模限制与 transformer 的二次计算复杂度作为动机，利用 Mamba 的长程建模与线性效率。LSS 模块结合并行级联的 Hybrid State Space（HSS）块和多卷积核操作；HSS 使用 Hybrid Scanning（HS）编码器，将特征图按五种扫描方式、八个方向编码，再通过 State Space Model（SSM）增强全局联系。作者报告，Hilbert 扫描与八方向设计能够改善特征序列建模。具体编码器、损失函数、训练监督形式及异常分数计算方式尚未验证，不能仅由“无监督”推定其训练样本构成。 结果与复现：作者报告，在六个异常检测数据集、七项指标上取得领先性能，但摘要未给出数据集名称、指标定义、分数、划分及对照基线，因此无法判断提升幅度或跨协议比较。作者提供了代码与模型入口；实验协议、消融、统计信息及实际复现条件尚未验证。 平台推测（待验证）：假设 EEG 异常检测需要同时捕获局部波形变化和长时间依赖，LSS 的局部卷积与 SSM 组合可能具有方法参考价值；但其多方向扫描依赖特征图结构，不能直接等同于 EEG 时间序列建模。可复用候选是局部特征与长程状态建模的组合，需改造输入编码、通道组织及扫描顺序，并核对预训练数据与目标信号的匹配程度。低信噪比、跨被试差异、通道变化和小数据均可能削弱效果。一个可检验的小实验是在固定被试独立划分、训练数据和异常评分协议下，比较单向时间扫描与适配后的多方向扫描，检查检测收益及计算开销；该方案不是已证实的 BCI 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其多尺度局部卷积与多方向状态空间扫描如何协同支持多类别无监督异常检测，但摘要中的领先性能主张及其向 EEG 的迁移价值均需进一步验证。

  8. OpenReview · State space models76

    ChangeMamba：基于时空状态空间模型的遥感变化检测

    基于摘要分析。研究针对遥感变化检测中 CNN 感受野受限、Transformer 计算成本较高的问题，探索以 Mamba 状态空间模型建模全局空间上下文与多时相影像交互，提出面向不同变化检测任务的框架；主要研究对象是遥感影像，而非 EEG 或 BCI。 方法方面，MambaBCD、MambaSCD 和 MambaBDA 分别对应 binary CD（BCD，二值变化检测）、semantic CD（SCD，语义变化检测）和 building damage assessment（BDA，建筑损伤评估）。三者均采用 Visual Mamba 编码器提取全局空间上下文，并在变化解码器中引入三种时空关系建模机制，以促进多时相特征交互、提取变化信息。摘要未说明这些机制的具体操作、扫描顺序、损失函数及训练配置，不能据此还原实现。 作者报告，在五个基准数据集上，所提框架优于 CNN 和 Transformer 方法，且不依赖复杂训练策略或技巧；作者还报告模型对退化数据具有较强鲁棒性。摘要未列出数据集名称、划分、指标数值、对照模型及退化类型，实验协议、消融及统计信息尚未验证。计算效率优势仍需通过正文中的复杂度、运行时间和资源测量核对。摘要提供了代码地址，但代码完整性与复现条件尚未验证。 平台推测（待验证）：其状态空间上下文建模与跨时相特征交互，为 EEG 长时间依赖及状态变化建模提供了机制层面的参考，但遥感效果不等于 BCI 有效性。迁移假设依赖具有明确时间对应关系的多通道 EEG 数据及状态变化监督；可借鉴状态空间模块与特征交互思路，需改造影像编码、空间扫描和输出头，以适配通道拓扑与时间轴。低信噪比、通道差异、跨被试漂移及小数据可能使模型把伪迹或采集差异当作变化。一个可证伪的小实验是在同一 EEG 状态变化任务和固定被试划分下，比较状态空间模型及加入跨窗口交互后的版本，与匹配容量的 CNN 基线，检验交互模块是否提供稳定增益。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其 Visual Mamba 编码器与多时相变化解码器如何兼顾全局上下文建模和计算成本；摘要报告了遥感任务中的对照优势与退化数据鲁棒性，但具体协议及 EEG 迁移价值尚未验证。

  9. 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。

  10. 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。

  11. 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。

  12. OpenReview · State space models73

    MambaLCT：通过长期上下文状态空间模型增强目标跟踪

    基于摘要分析。该研究针对视频目标跟踪中上下文通常局限于相邻帧或短视频片段的问题，提出 MambaLCT，持续聚合从首帧到当前帧的目标变化线索，并将其用于模板帧与搜索帧的关系建模。主要研究对象是视觉目标跟踪，而非 EEG 或 BCI。 核心机制是单向 Context Mamba 模块：沿时间维度扫描帧特征，通过选择性扫描机制将目标相关信息压缩到隐状态空间，并持续更新目标变化线索；随后把这些线索注入注意力机制，为模板帧与搜索帧之间的关系提供时间信息。其方法价值在于将持续更新的长期上下文与跟踪中的注意力建模结合，而不只使用局部时间窗口。具体网络结构、损失、训练方式与状态更新实现尚未验证。 作者报告，长期上下文有助于复杂场景下的目标感知，MambaLCT 在六个目标跟踪基准上达到新的 SOTA，同时保持实时运行速度。摘要未提供基准名称、数据划分、对照方法、具体指标、速度数值或测试硬件，因此这些结果暂不能用于量化比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在跨时间窗的持续状态变化，选择性状态聚合可能用于缓解固定窗口难以利用长期上下文的瓶颈。可复用的是单向时序状态更新思路；视觉帧特征及模板—搜索帧关系则需改造为 EEG 时间窗表征和任务相关关系。原方法依赖有序视频帧及目标相关特征，摘要未说明其监督形式与训练规模；EEG 的低信噪比、跨被试差异、通道变化和小数据可能使隐状态累积噪声或无关历史。一个可检验的小实验是在同一 EEG 任务与固定划分下，对比持续状态聚合、固定窗口及状态重置版本，检验收益是否来自长期信息，并严格隔离不同试次的状态。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其通过选择性扫描持续聚合目标变化线索、再注入模板与搜索帧注意力的机制，但摘要中的性能与实时性结论尚需完整实验协议支持，向 EEG 的迁移也尚未验证。

  13. OpenReview · State space models73

    MambaMIM：通过状态空间 Token 插值预训练 Mamba

    基于摘要分析。本文研究医疗图像任务中 Mamba 的生成式自监督预训练，提出 MambaMIM，以 Selective Structure State Space Sequence Token-interpolation（S6T）为核心，旨在增强 Mamba 的长程表征能力，并支持单一或混合 Mamba 架构。 方法在编码器中引入自底向上的 3D 混合掩码策略，以保持不同架构之间的掩码一致性；随后利用 S6T 在状态空间中学习掩码序列的因果关系。这里的“因果关系”沿用摘要表述，其具体数学定义尚未验证，不应等同于医学因果推断。相较于摘要所述 CNN 和 ViT 的生成式自监督学习背景，本文的主要方法贡献是面向 Mamba 的状态空间 Token 插值预训练，而非已验证的 EEG 解码方法。 作者报告，下游医疗图像实验支持 Mamba 预训练的可行性与先进性，但摘要未提供数据集、划分协议、对照基线或具体指标，因此无法判断收益幅度及跨任务稳定性。损失形式、掩码比例、插值实现、实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码完整性、训练配置及复现条件尚未核验。 平台推测（待验证）：若 S6T 能利用序列结构恢复被遮蔽信息，它可能为 EEG 长程时序表征的自监督学习提供参考；这一假设并不意味着医疗图像结果可直接迁移到 BCI。可考察的模块是状态空间 Token 插值，需改造的是 EEG 的时序与通道 Token 化、掩码方式及重建目标；原方法所依赖的训练规模与结构假设尚未明确。低信噪比、跨被试差异、通道布局变化和小数据可能使插值偏向背景噪声或被试特征。一个可证伪的小实验是在固定 EEG 数据划分与相同骨干、训练预算下，对比加入 S6T 与常规掩码重建的跨被试下游表现，并核对是否存在稳定增益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其通过 S6T 在状态空间中处理掩码序列的预训练机制及跨架构掩码一致性设计，但摘要不足以验证具体性能收益或 EEG/BCI 适用性。

  14. 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。

  15. OpenReview · State space models76

    DyG-Mamba：动态图上的连续状态空间建模

    基于摘要分析。本文研究连续时间动态图学习，提出 DyG-Mamba，以不规则事件时间间隔作为状态空间模型（SSM）的控制信号，旨在改善动态图中长期依赖与时间信息的建模。主要研究对象是动态链接预测和动态节点分类，而非 EEG 解码或 BCI。 核心机制：作者认为，直接以输入内容作为 SSM 控制信号不适合采样间隔不规则的连续时间动态网络，可能导致模型对时间信息不敏感、泛化能力不足。受 Ebbinghaus 遗忘曲线启发，DyG-Mamba 改用不规则时间跨度控制 SSM，使历史事件记忆的演化与时间间隔关联。摘要未给出状态转移、控制信号映射、损失函数及训练与推理细节，尚不能判断其与其他时间感知动态图方法的具体结构差异。 结果与证据边界：作者报告，在涵盖动态链接预测和动态节点分类的 12 个数据集上，DyG-Mamba 在多数数据集达到其所称的最先进性能，并改善计算与内存效率。数据集名称、划分协议、对照基线、指标数值及效率测量条件未在摘要中提供；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，时间间隔驱动的状态更新可能适用于事件化或存在不规则采样的神经信号图，但原领域有效不等于 BCI 有效。该路径依赖明确的节点、交互事件、时间戳及任务监督；常规等间隔 EEG 不能直接视为同类输入。可考虑复用时间控制的 SSM 思路，但需改造电极或脑区图构建、信号编码与解码头。低信噪比可能使事件时间戳不稳定，跨被试及通道差异可能改变图结构，小数据可能限制泛化。小规模可证伪实验可在固定 EEG 任务与划分下，仅比较内容控制和时间间隔控制，并测试不规则采样扰动是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 DyG-Mamba 将不规则时间间隔用作 SSM 控制信号的机制，以及作者报告的动态图库性能与效率收益；这些结果尚不构成 EEG 或 BCI 有效性的证据。

  16. OpenReview · State space models72

    FTMoMamba：基于频率与文本状态空间模型的动作生成

    基于摘要分析。本文研究文本驱动的人体动作生成，针对现有扩散方法对潜在空间频率信息利用不足、文本与动作语义不一致的问题，提出结合 Frequency State Space Model（FreqSSM）与 Text State Space Model（TextSSM）的扩散框架 FTMoMamba；其主要研究对象不是 EEG 或 BCI。 机制上，FreqSSM 将序列分解为低频与高频分量，分别引导静态姿态与细粒度动作生成。摘要以坐、躺等姿态，以及过渡、踉跄等动作为例说明这种分工。TextSSM 在句子层面编码文本特征，使文本语义与序列特征对齐。摘要未说明具体频率分解算子、状态空间模型结构、对齐损失或训练与推理流程，这些实现细节尚未验证。 作者报告，在 HumanML3D 的 text-to-motion generation 任务中，FTMoMamba 的 FID 为 0.181，对照 MLD 为 0.421，且称其取得最低 FID。该结果对应动作生成评估，不能解释为 BCI 解码性能；数据划分、采样设置、对照配置、消融及统计信息尚未验证，尚不能判断优势分别来自哪个模块。 平台推测（待验证）：假设频率分解后的独立序列建模有助于保留 EEG 的多尺度动态，FreqSSM 的设计可能为 EEG 重建提供可检验的借鉴。可复用的是频率分解与分量建模思路，需改造的是分解尺度、多通道表示及任务目标；动作中“低频对应静态、高频对应细节”的关系不能直接套用到 EEG。低信噪比、肌电污染、跨被试频谱差异及小数据训练可能使分支学习到伪迹或被试特征。一个小规模检验是在固定跨被试划分和相同训练预算下，对比加入频率分解与不加入该模块的 EEG 掩码重建模型，检查重建误差及下游解码表现。TextSSM 则依赖文本语义与序列对应关系，不能默认适用于没有配对文本的 EEG 数据。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其将频率分解与文本语义建模分别用于动作细节和文本—动作一致性的设计，但性能优势的评估协议及其对 EEG 的可迁移性尚未验证。

  17. 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。

  18. 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。

  19. OpenReview · State space models74

    Mamba-CL：在零空间中优化选择性状态空间模型以实现持续学习

    基于摘要分析。该研究面向持续学习中的灾难性遗忘，提出 Mamba-CL，通过在历史任务特征子空间的正交方向更新参数，持续微调大规模 Mamba 基础模型的核心 SSM，力求保留既有知识并学习新任务。 核心机制是将参数更新限制在历史特征子空间对应的零空间内。作者围绕 Mamba 的四个关键时不变参数推导整体一致性约束，处理 SSM 的递归状态空间结构与非线性离散化过程，再以零空间投影实现正交更新。作者声称，该方法在理论上保证各 SSM 模块在先前与当前任务上的输出一致性目标；具体保证的假设、约束范围，以及模块级一致性如何对应最终任务性能，需结合全文核对。 作者报告，在四个类别增量学习基准上，Mamba-CL 展现出抗遗忘效果，性能优于所比较的先进方法。摘要未提供基准名称、任务序列、数据划分、指标或具体数值，因此无法判断提升幅度及不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要称代码位于补充材料中，但其可获取性、运行配置与复现要求尚未核对。 平台推测（待验证）：该机制可能对应 EEG 持续学习中新增类别或连续会话更新引起的遗忘，但依赖历史特征子空间能稳定表征需保留的知识。可复用的是零空间投影与参数一致性约束；需改造的是 EEG 时序输入、通道适配和特征子空间估计。低信噪比、跨被试差异、通道变化及小样本可能使子空间估计不稳定，或过度限制更新、妨碍新任务学习。一个可检验的假设是：在固定 EEG 类别增量协议下，使用相同 Mamba 骨干与数据划分，对照普通顺序微调和零空间约束更新，检验历史类别 Accuracy 的保留是否以新类别学习能力下降为代价。上述迁移不属于本文已验证结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其针对 Mamba 核心 SSM 参数推导的一致性约束与零空间投影实现，尤其是理论保证的适用条件及抗遗忘与新任务学习能力之间的权衡。

  20. OpenReview · State space models78

    MambaByte：无 token 的选择性状态空间模型

    基于摘要分析。MambaByte 研究直接从原始字节学习的无 token 语言建模，旨在避免子词分词的归纳偏置，同时缓解字节序列更长带来的计算与内存压力。其核心贡献是将 Mamba 状态空间模型（SSM）用于字节序列的自回归训练，并提出结合 tokenized drafting 与 byte-level verification 的推测解码适配方案。 机制上，摘要将标准自回归 Transformer 随序列长度增长的内存需求，与 Mamba 的固定大小记忆状态及高效解码进行对照。MambaByte 的建模单位是字节，而非子词；推测解码则用 token 化序列生成草稿，再在字节层面验证。具体状态更新、选择性机制、训练损失及草稿验证流程尚未验证。 作者报告，MambaByte 在语言建模任务上可与先进的子词 Transformer 竞争，部分表现更优，并保留无 token 模型的噪声鲁棒性优势。作者还报告，其推测解码适配方案相较标准 MambaByte 实现获得 2.6 倍推理加速，解码效率与子词 Mamba 相近。摘要未提供对应数据集、模型规模、任务指标、硬件、生成长度及对照配置，因此这些结果只能在作者所述比较范围内理解，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其固定大小状态机制可能对应 EEG 长时序处理中随窗口长度增长的资源瓶颈，但字节语言建模依赖离散序列与自回归监督，不能直接等同于连续、多通道 EEG 建模。可考察 SSM 主干的复用，输入编码与训练目标需改造；tokenized drafting 的优势是否成立则取决于 EEG 是否存在合适的离散草稿表示。低信噪比、跨被试分布差异、通道变化及小数据可能削弱效果。一个可检验的小实验是在固定数据划分和参数预算下，比较 SSM 与 Transformer 在不同 EEG 窗口长度上的任务指标、峰值内存及推理延迟。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以固定大小状态处理长字节序列的机制，以及结合 tokenized drafting 与 byte-level verification 的推测解码方案；摘要中的语言建模与效率结论仍需结合完整实验协议核对。