Gli SSM con ricorrenza in profondità superano i modelli standard nella classificazione di serie temporali

Una recente indagine pubblicata su arXiv (2605.16048) rivela che i modelli a spazio di stato (SSM) con ricorrenza in profondità—dove lo stesso blocco viene riutilizzato su più livelli—eguagliano o superano le prestazioni degli SSM convenzionali con parametri distinti. Valutati su quattro architetture (LRU, S5, LinOSS, LrcSSM) e sei benchmark per la classificazione di serie temporali, gli SSM con ricorrenza in profondità forniscono risultati migliori, anche operando in uno spazio delle ipotesi più limitato. I ricercatori chiariscono che, poiché il modello più grande include quello con ricorrenza come caso particolare, il miglioramento osservato non è dovuto all'espressività. Piuttosto, la condivisione dei parametri attraverso la profondità fornisce un bias induttivo costruttivo che migliora l'ottimizzazione. Questo studio suggerisce che la ricorrenza in profondità opera indipendentemente dalla ricorrenza sequenziale e offre i propri vantaggi.