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。

328 条精选近 30 天 22 条共收录 441 条

更新

精选归档 · 第 16 页

1月1日周一第 301–320 条
  1. 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。

  2. OpenReview · State space models72

    MambaDS：基于地形约束选择性状态空间建模的近地面气象场降尺度

    基于摘要分析。本文研究近地面气象场降尺度，即从全球尺度预报结果重建目标区域的高分辨率气象状态，提出 MambaDS，将选择性状态空间建模用于这一任务，并增强多变量相关性与地形信息的利用。 核心机制与贡献：作者认为，既有受 CNN 和 Transformer 超分辨率模型启发的降尺度方法缺乏面向气象问题的专门设计，尤其难以高效整合地形先验。MambaDS 针对这些问题进行设计，同时保留 Mamba 的长程依赖建模能力与线性计算复杂度。摘要未说明地形约束的具体实现、多变量交互方式、损失函数、训练流程及复杂度测量条件，不能据此还原模型结构。 结果与证据边界：作者报告，在中国大陆与美国本土连续区域（CONUS）的实验中，MambaDS 在三类气象场降尺度设置下取得最先进结果。摘要未列出三类设置的定义、数据集名称、变量、空间分辨率、数据划分、对照基线或具体指标，因此该结论目前只能保留为作者报告，不能量化其优势或比较不同协议。实验协议、消融及统计信息尚未验证。作者表示将随后发布代码；现有材料不足以确认代码已公开。 平台推测（待验证）：假设多变量相关性建模与长程依赖建模能够迁移，可探索其对 EEG 多通道时序建模的价值，但原任务依赖气象空间场及地形先验，不等同于 EEG 解码。可能复用的是选择性状态空间建模思路；气象网格输入、降尺度输出及地形约束需要改造，电极空间关系也不能直接替代地形的物理作用。低信噪比、跨被试差异、通道配置变化与小数据可能削弱收益。一个可检验的小实验是在固定 EEG 数据集与跨被试划分下，以相同预处理和训练预算比较基础状态空间模型及加入电极空间先验的变体，检验该先验是否带来稳定收益。此实验检验的是迁移假设，而非原论文已验证的 BCI 效果；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其针对多变量相关性与地形先验设计选择性状态空间降尺度模型的思路，但具体约束机制、对照协议及向 EEG 迁移的有效性尚未验证。

  3. OpenReview · State space models77

    状态空间模型的参数高效微调

    基于摘要分析。本文研究以 Mamba 为代表的深度状态空间模型（SSMs）如何进行参数高效微调（PEFT），重点比较既有 PEFT 方法的适用性及不同模块的微调价值，并提出 LoRA with Selective Dimension tuning（SDLoRA）。原论文的主要研究背景是语言建模，而非 EEG 或 BCI。 作者对四种基本 PEFT 方法进行了经验评估。作者报告，在所评估的 SSM 模型和实验条件下，基于提示的方法（如 prefix-tuning）不再有效，并提供了理论分析支持；LoRA 则仍然有效。进一步的理论与实验分析表明，在其考察的 LoRA 应用方式中，仅对线性投影矩阵应用 LoRA、而不修改 SSM 模块取得最佳结果，直接用 LoRA 微调 SSM 模块效果不佳。这里的结论针对 LoRA 的施加位置，并不意味着 SSM 模块不能通过其他方式调整。 SDLoRA 将两种调整方式结合：在线性投影矩阵上应用 LoRA，同时选择性更新 SSM 模块中的部分通道和状态。作者报告，该方法在所开展的实验中优于标准 LoRA。摘要未给出具体数据集、预训练模型规模、监督与数据划分设置、评价指标、增益幅度或可训练参数量；选择规则、理论成立条件、实验协议、消融及统计信息尚未验证，也无法据此判断性能与参数开销之间的权衡。 平台推测（待验证）：若已有适用于 EEG 序列的预训练 SSM，该模块级微调策略可能用于检验小数据适配时应更新哪些参数。可复用的是线性投影的 LoRA 与 SSM 通道、状态的选择性更新思路；需改造的是 EEG 输入表征、任务输出及通道对应方式。该假设依赖可用的 EEG 预训练模型与下游监督数据，不能由语言建模结果直接推出。低信噪比、跨被试分布变化和通道配置差异可能使选择性更新不足以适配目标数据，也可能在小样本条件下过拟合。一个可证伪的小实验是在同一 EEG 预训练 SSM、固定 Cross-subject 划分和相近可训练参数预算下，比较线性投影 LoRA 与 SDLoRA 的下游表现及跨随机种子稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究值得阅读的具体原因是，它区分了 SSM 模块与线性投影矩阵对参数高效微调的适配性，并提出可供核对与复现的 SDLoRA；其在 EEG/BCI 中的有效性尚未验证。

  4. OpenReview · State space models74

    重新审视状态空间模型的 token 缩减

    基于摘要分析。本文研究如何在训练后降低状态空间模型（SSMs）的 token 处理成本，核心问题是既有 token 缩减方法直接用于 SSMs 时会造成明显性能下降。作者提出面向 SSMs 的统一训练后 token 缩减方法，将 token 重要性与相似性结合，在层内实施细粒度剪枝和合并，以兼顾预测性能与资源开销。 原论文主要面向 Mamba 等通用序列模型的效率优化，并非 EEG 或 BCI 研究。摘要称作者分析了现有方法失效的原因及其局限，但未提供具体分析结论；重要性与相似性的计算方式、剪枝与合并的决策规则、对状态更新的处理，以及是否需要校准数据均尚未验证。“训练后”不宜进一步解读为完全不需要数据或额外优化。 作者报告，在使用 Mamba-2 的六个基准上，相较既有 token 缩减方法，平均 Accuracy 提升 5.7%–13.1%，同时显著降低计算需求和内存需求。摘要未说明该百分比是相对提升还是百分点差值，也未列出基准名称、数据划分、具体对照、压缩预算及资源测量条件，因此不能将其解释为相较未压缩模型的精度提升。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型以时间片段作为 token，并使用 Mamba 类骨干，该方法可能用于缓解长序列计算与内存瓶颈。假设 token 重要性与相似性能识别冗余片段，可复用剪枝与合并的总体策略；但需改造评分与合并规则以保留时间顺序、短暂事件及通道对应关系，其对监督、校准数据和训练规模的依赖需先核对全文。低信噪比可能使重要性估计失真，相似波形也未必代表相同任务信息，跨被试变化与小数据可能进一步放大风险。一个可检验的小实验是在固定 EEG 任务及跨被试划分下，以相同 token 保留预算比较未压缩模型、既有缩减方法与该方法，同时记录 Accuracy、推理延迟和峰值内存，检验收益是否成立。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其针对 SSM 的层内 token 剪枝与合并机制，以及相同压缩预算下的精度、计算和内存权衡；摘要报告了对既有方法的改善，但尚不能据此判断 EEG 迁移效果。

  5. 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。

  6. OpenReview · State space models73

    增强快照压缩成像：采用 Across-Scanning 与局部增强的空间—光谱状态空间模型

    基于摘要分析。该研究面向 Snapshot Compressive Imaging（SCI），研究如何从压缩测量重建高光谱图像（HSI），提出 ASLE-SSM，以空间—光谱状态空间模型结合局部扫描与 Across-Scanning，兼顾长程依赖、局部相似性和跨通道交互；其主要研究对象是高光谱图像重建，而非 EEG 解码或 BCI。 机制上，论文针对 CNN 长程依赖建模受限、Transformer 计算成本较高，以及已有视觉 Mamba 方法对空间和光谱局部相似性利用不足的问题，在空间维度引入局部扫描以平衡全局与局部感受野，并基于空间—光谱局部立方体进行 Across-Scanning，利用相邻像素与相邻光谱波段的相似性指导重建。作者称两类扫描机制不增加额外成本；其具体实现、复杂度计算与局部增强模块细节尚未验证，摘要也未说明损失函数和训练流程。 作者报告 ASLE-SSM 优于现有先进方法，相比 Transformer 方法 MST，推理速度为其 2.4 倍，参数量减少 0.12 M，并称其计算成本和参数量最低。这些结论限定于作者所用的 HSI 重建评估，但摘要未提供数据集、划分、重建质量指标、测速硬件或输入规模，因此尚不能核对比较条件与优势幅度；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，通过兼顾局部邻域与长程关系的扫描路径，改善 EEG 时序及跨通道依赖建模。可复用的是扫描路径设计思想，需改造的是空间—光谱立方体及其邻域定义：EEG 电极邻接不等同于像素网格，通道也不具有光谱波段式的连续顺序。低信噪比、跨被试差异、通道配置变化及小数据条件可能使局部相似性假设失效。一个可证伪的小实验是在固定 EEG 数据划分和相同训练预算下，对比常规扫描、仅时间局部扫描与电极邻接扫描，并分别报告被试内和跨被试结果，以检验邻域设计是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用空间—光谱局部立方体设计 SSM 扫描路径、兼顾局部相似性与长程依赖的机制，但性能与效率优势的具体评估协议尚未验证，不能据此认定其对 EEG 有效。

  7. 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。

  8. 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。

  9. 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。

  10. 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。

  11. 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。

  12. 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。

  13. 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。

  14. OpenReview · State space models74

    Serp-Mamba：利用选择性状态空间模型推进高分辨率视网膜血管分割

    基于摘要分析。本文研究超广角扫描激光眼底成像（UWF-SLO）中的高分辨率视网膜血管分割，提出 Serpentine Mamba（Serp-Mamba），通过顺应弯曲血管的扫描机制和模糊像素重校准，处理细长血管的连续性建模与血管／背景类别不平衡问题；研究对象是眼底图像，并非 EEG 或 BCI 信号。 核心机制：作者利用 Mamba 的选择性状态空间模型（SSM）建模长程依赖，并提出 Serpentine Interwoven Adaptive（SIA）扫描机制，以蛇形方式沿弯曲血管结构扫描图像，旨在连续捕获管状结构特征。另一模块 Ambiguity-Driven Dual Recalibration（ADDR）通过两个可学习阈值划分像素，并以双驱动策略细化模糊像素。摘要未说明扫描路径的具体生成方式、双驱动策略的组成、损失函数及训练流程，这些细节尚未验证。 结果与复现：作者报告在三个数据集上的实验显示 Serp-Mamba 具有更优的高分辨率血管分割表现，并报告开展了验证模块作用的消融研究。摘要未提供数据集名称、划分协议、对照方法、指标数值或统计信息，因而不能量化优势或判断其跨数据集泛化能力。作者表示代码将在论文发表时发布；当前代码可用性及发表状态不能据此确定。 适用边界：该方法依赖图像中的空间邻接、弯曲管状纹理和像素级分割任务。仅凭长程依赖建模这一共性，不能推断其可改善 EEG/BCI；材料未提供扫描路径与神经信号时序或通道结构的明确对应，因此不提出迁移实验建议。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其面向弯曲血管结构的自适应扫描与模糊像素重校准设计，但摘要不足以核对性能优势，且其对 EEG/BCI 的适用性尚未验证。

  15. 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。

  16. 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。

  17. 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。

  18. OpenReview · State space models72

    PathMamba：用于病理图像多类别分割的弱监督状态空间模型

    基于摘要分析。该研究针对病理图像多类别分割中密集像素标注成本高的问题，提出仅使用图像级标签训练的弱监督状态空间模型 PathMamba，通过结合像素级与 patch 级特征学习局部细节和全局上下文。 方法首先将像素视为实例，基于 Multi-Instance Multi-Label Learning 提取像素级特征图，再将其注入 Contrastive Mamba Block。该模块结合状态空间模型与对比学习，提取病理图像中的非因果双粒度特征；作者另提出 Deep Contrast Supervised Loss，以更充分利用有限的标注信息。摘要未给出对比样本构造、双粒度特征交互方式、损失公式及推理流程，具体机制尚需全文核对。 作者报告，在两个公开病理图像数据集上，PathMamba 优于所比较的先进弱监督方法，并能生成区域一致性更好的分割结果。摘要未列出数据集名称、划分协议、评价指标、分数及对照方法，因此无法判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但其运行条件与结果可复现性尚未验证。 平台推测（待验证）：其可考察的跨领域机制是由样本级弱标签学习局部特征，并结合细粒度与粗粒度上下文；这不等于已证实的 EEG/BCI 效果。若 EEG 任务具有记录级标签而缺少事件级标注，可假设将像素实例改为时间窗实例、将 patch 改为较长片段，探索弱监督事件定位。状态空间与多实例学习模块可能可复用，但图像空间邻域、粒度定义和对比关系均需改造。低信噪比、跨被试差异、通道配置变化及小数据条件可能使局部特征聚焦于伪迹而非目标事件。一个可证伪的小实验是在具有事件标注的 EEG 数据上，仅用记录级标签训练，以保留的事件标注评估定位，并在相同被试划分下比较多实例学习基线与加入双粒度模块后的结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其以图像级标签结合像素级与 patch 级特征进行多类别分割的机制，重点核对 Contrastive Mamba Block 与 Deep Contrast Supervised Loss 的具体实现及贡献；其对 EEG/BCI 的适用性尚未验证。

  19. OpenReview · State space models74

    VFIMamba：基于状态空间模型的视频帧插值

    基于摘要分析。VFIMamba 研究视频帧插值（VFI）中的帧间建模问题，利用 Selective State Space Models（S6）实现高效、数据依赖的跨帧信息交互，并引入课程学习以学习不同运动幅度下的帧间动态。其主要研究对象是视频中间帧生成，而非 EEG 或 BCI。 核心机制是 Mixed-SSM Block（MSB）：先将相邻帧的 token 交错排列，再进行多方向 S6 建模。作者认为，这种设计能够在保持线性复杂度的同时促进跨帧信息传递，针对卷积方法感受野受限、注意力方法计算开销较高的问题提供替代路径。课程学习逐步培养模型对不同运动幅度的建模能力，但摘要未说明运动幅度的定义、课程阶段、损失函数及训练细节，相关信息尚未验证。 作者报告，VFIMamba 在多个基准上达到当时最优表现，尤其适用于高分辨率场景；在 X-TEST 数据集上，4K 帧与 2K 帧的提升分别为 0.80 dB 和 0.96 dB。摘要未明确该 dB 数值对应的指标、对照方法或数据划分，因此不能据此确认收益来源，也不能直接与其他协议下的结果比较。实验协议、消融、统计信息以及实际运行时间和显存开销尚未验证。 平台推测（待验证）：若将相邻帧之间的交错建模视作相邻 EEG 时间窗之间的信息交互，MSB 的序列组织方式与 S6 模块可能为长时序建模提供可检验的思路。该假设依赖 EEG 时间窗间存在可学习的连续动态；视觉 token 编码、空间扫描方向及运动幅度课程需要改造，不能直接照搬。低信噪比、通道布局差异、跨被试分布变化及小数据训练可能削弱效果。可在固定 Cross-subject 划分与相同训练预算下，对比相邻时间窗交错排列和普通时间顺序输入，评估任务指标与计算开销，以检验交错组织是否有独立收益。已有 EEG 相关工作尚未检索确认，原视频结果不构成 BCI 有效性的证据。

    阅读价值：值得阅读的是相邻帧 token 交错排列与多方向 S6 建模如何实现线性复杂度的跨帧信息交互；作者报告的高分辨率收益仍需结合指标、对照基线和完整评估协议核对。

  20. OpenReview · State space models70

    MambaLLIE：基于先全局后局部状态空间的隐式 Retinex 感知低光照图像增强

    基于摘要分析。该研究面向低光照图像增强，提出 MambaLLIE，以隐式 Retinex 感知和先全局后局部的状态空间设计，联合处理全局光照退化与暗光条件下的局部噪声、模糊。原论文研究对象是视觉图像，而非 EEG 或 BCI。 作者认为，传统 Retinex 理论主要描述全局光照退化，未充分涵盖局部退化，而视觉状态空间模型也存在局部依赖与全局上下文融合的挑战。其 Local-Enhanced State Space Module（LESSM）在二维选择性扫描中引入增强的局部偏置，以保留局部二维依赖；Implicit Retinex-aware Selective Kernel（IRSK）通过空间变化操作与自适应核选择，按输入动态选择特征。Global-then-Local State Space Block（GLSSB）以 LayerNorm 为核心整合两者，实现全局长程建模与局部特征聚合。摘要未说明 Retinex 如何具体进入模型约束，也未给出损失函数和训练流程。 作者报告，在低光照图像增强实验中，MambaLLIE 显著优于所比较的先进 CNN 与 Transformer 方法；但摘要未提供数据集、划分、指标、具体数值或基线配置，尚不能核对优势幅度及适用条件。实验协议、消融及统计信息尚未验证。材料提供项目页，但代码、权重与复现配置的可用性尚未验证。 平台推测（待验证）：可迁移的假设是“长程状态建模与局部偏置协同”可能帮助 EEG 同时利用长时间依赖和局部波形，而非将光照分解直接用于神经信号。候选模块是选择性扫描与局部聚合；需重构时间—通道表示、扫描顺序和邻域定义，因为 EEG 通道排列不天然等同于图像二维邻接。低信噪比、跨被试差异、通道变化及小数据可能使局部偏置放大伪迹或过拟合。一个小规模可证伪实验是在固定 EEG 任务与跨被试划分下，对比基础 SSM 与加入局部偏置的版本，控制训练预算并评估噪声扰动下的表现；这不是原论文已验证的结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 LESSM 的二维局部依赖保留机制与 IRSK 的自适应特征选择如何协同改善低光照图像增强，但摘要不足以验证性能优势，其对 EEG 的适用性仍是假设。