简单的状态空间模型擅长多元时间序列分类

arXiv:2605.27406v1 公告类型：新 摘要：结构化状态空间模型 (SSM) 最近已成为序列建模的有前途的基础，基于 Mamba 的架构通过依赖于输入的状态转换展示了强大的性能，尽管其复杂性相当高。然而，它们在时间序列分类 (TSC) 中的应用很大程度上仅限于 Mamba 风格的架构，从而导致更广泛的 SSM 设计空间尚未得到充分探索。我们在大规模 TSC 基准上提出了第一个涵盖对角 SSM (S4D) 和输入相关 SSM（Mamba 系列）的系统研究，询问这种复杂性对于顶级性能是否是必要的。我们的结果揭示了一个令人惊讶的发现：S4D 在准确性和效率方面始终优于基于 Mamba 的变体，挑战了复杂性增加会转化为 TSC 有意义的收益的假设。在此基础上，我们引入了 MS4（通过线性输入投影和通道混合机制对 S4D 进行的轻量级修改）和 MS4N（一种标准化变体，可以以可忽略的开销稳定状态动态）。根据 MONSTER 的 59 个数据集（多达 6000 万个样本、50K 时间步长、82 个类别）和 UEA 基准，对照 15 个基线进行评估，MS4 和 MS4N 始终优于基于 Mamba 的模型，同时保持更高的效率，并且 MS4N 匹配或超过了参数大约大 2 倍和 10 倍的竞争深度学习模型。这些结果将轻量级结构化 SSM 定位为扩展 TSC 复杂性的引人注目的替代方案。