AdaMamba اطلاعات فرکانسی را مستقیماً وارد پیش‌بینی سری‌های زمانی بلندمدت می‌کند

پیش‌بینی بلندمدت سری‌های زمانی به شناسایی وابستگی‌های دوربرد و سازگاری با الگوهای دوره‌ای متغیر میان داده‌ها نیاز دارد. نویسندگان مقاله می‌گویند روش‌های فرکانس‌محور معمولاً به تنظیمات ثابتی مانند تعیین دستی طول دوره یا انتخاب چند مؤلفهٔ فرکانسی متکی‌اند؛ در نتیجه ممکن است تفاوت رفتار متغیرها در حوزهٔ زمان و فرکانس را نادیده بگیرند. در مدل‌های پیش‌بینی مبتنی بر Mamba نیز، به‌گفتهٔ آن‌ها، اطلاعات فرکانسی بیشتر نقش سیگنال کمکی دارد و از تحول حالت‌های مدل جدا می‌ماند.

مدل پیشنهادی، AdaMamba، از دو بخش تشکیل شده است: ماژولی برای یادگیری وابستگی میان متغیرها و زمینهٔ زمانی چندمقیاسی، و ماژولی مبتنی بر فضای حالت با دروازهٔ فرکانسی تطبیقی. بخش دوم با توجه به ورودی پایه‌های فرکانسی وابسته به زمینه تولید می‌کند و فراموشی زمانی را در یک دروازهٔ واحدِ زمان‌ـ‌فرکانس ادغام می‌کند تا تحول حالت را مستقیماً تعدیل کند.

طبق چکیدهٔ مقاله، ارزیابی روی هفت معیار عمومی پیش‌بینی بلندمدت سری‌های زمانی و چهار مجموعه‌دادهٔ حوزه‌ای نشان داده است که AdaMamba در مجموع از روش‌های مبنا‌ی پیشرفته عملکرد بهتری داشته و هم‌زمان کارایی محاسباتی رقابتی حفظ کرده است. این مقاله پیش‌چاپی در arXiv است.