Il Framework UniMamba Integra Spazio di Stato e Attenzione per la Previsione di Serie Temporali

Un nuovo framework per la modellazione spazio-temporale, denominato UniMamba, è stato presentato per affrontare le problematiche nella previsione di serie temporali multivariate. Questo framework combina dinamiche efficienti dello spazio di stato con l'apprendimento delle dipendenze basato sull'attenzione. È progettato per settori come l'energia, la finanza e il monitoraggio ambientale, dove intricate dipendenze temporali e interazioni tra variabili rappresentano sfide continue. Mentre gli approcci esistenti basati su Transformer utilizzano meccanismi di attenzione per catturare correlazioni temporali, comportano costi computazionali quadratici. Al contrario, i modelli spazio-stato come Mamba forniscono una modellazione efficace del contesto lungo ma mancano di un riconoscimento chiaro dei pattern temporali. UniMamba introduce uno Strato di Codifica Variata-Canale Mamba, potenziato con Trasformata FFT-Laplace e TCN, per catturare dipendenze temporali globali. Inoltre, uno Strato di Attenzione Spazio-Temporale modella le correlazioni inter-variabili e i cambiamenti temporali, mentre uno Strato di Dinamiche Temporali Feedforward potenzia la funzionalità del framework. Questo annuncio è stato pubblicato su arXiv con l'identificatore arXiv:2604.16325v1 ed è classificato come tipo di annuncio incrociato.