一个简单的状态空间模型在多元时间序列分类中表现出色

当简单模型击败复杂模型

这篇文章是一篇研究突破类论文，它挑战了序列建模领域的一个潜在共识：即输入依赖的、复杂的模型设计（如Mamba）必然带来最优性能。核心的实验发现在于，在时间序列分类这一特定任务上，结构更简单、计算更高效的对角SSM（S4D）家族，其表现系统性地优于Mamba家族。 这是一个反直觉的结论，直接质疑了“复杂性等于高性能”的假设，引导研究者重新思考基础模型设计的价值。

轻量级改进与泛化验证

研究并未止步于比较，而是基于S4D的优势提出了改进方案：

• MS4：通过添加一个线性输入投影和通道混合机制，在保持轻量的前提下增强了模型能力。
• MS4N：引入状态动态归一化，以“可忽略的计算开销”稳定了训练过程。

这些改进的价值在严苛的基准测试中得到验证：

• 规模：评估涵盖了MONSTER（高达6000万样本、5万时间步、82个类别）和UEA两大基准，共计59个数据集。
• 对手：与15个基线模型对比。
• 结果：MS4和MS4N不仅持续优于Mamba模型，而且MS4N的性能达到或超过了参数规模约为其2倍和10倍的其他深度学习模型。

这确立了一个关键洞察：通过针对性的、轻量的架构改进，一个原本简单的基础模型可以在不显著增加复杂度的情况下，实现顶级的性能与效率。 这为时间序列分类乃至更广泛的序列建模任务，提供了一条区别于盲目扩大模型规模的、更具工程智慧的技术路径。