arXiv cs.AI· Melanie Schaller, Nick Janssen, Bodo Rosenhahn·· 3 天前AI 评分22
Naga：受吠陀数学启发的深度状态空间模型编码方法
Naga: Vedic Encoding for Deep State Space Models
AI 导读
研究者提出 Naga，一种受吠陀数学结构概念启发的深度状态空间模型（SSM）编码方法，通过双向处理正向与时间反转序列并经 Hadamard 逐元素交互，增强对远距离时间步依赖的捕捉能力。在 ETTh1、ETTh2、ETTm1、ETTm2、Weather、Traffic、ILI 等长期时间序列预测基准上，Naga 优于 28 个当前 SOTA 模型，且效率较现有深度 SSM 方法更优。
正文 · AI 翻译
摘要：本文提出了 Naga，一种受吠陀数学结构概念启发的深度状态空间模型（SSM）编码方法。所提方法通过联合处理正向和时间反转的输入序列，为时间序列引入了一种双向表示。随后，这些表示通过逐元素（Hadamard）交互进行组合，形成一种受吠陀启发的编码，从而增强模型捕捉跨越遥远时间步的时间依赖关系的能力。我们在多个长期时间序列预测（LTSF）基准上评估 Naga，包括 ETTh1、ETTh2、ETTm1、ETTm2、Weather、Traffic 和 ILI。实验结果表明，Naga 优于 28 个当前最先进的模型，并且与现有的基于深度 SSM 的方法相比展现出更高的效率。研究结果表明，引入结构化的、受吠陀启发的分解，可以为长程序列建模提供一种可解释且计算高效的替代方案。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；系统与控制（eess.SY） |
| 引用为： | arXiv:2511.13510 [cs.LG] |
| （或使用 arXiv:2511.13510v2 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2511.13510 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Melanie Schaller 博士 [查看电子邮件]
[v1]
2025年11月17日星期一 15:43:49 UTC（436 KB）
[v2]
2026年10月12日星期一 15:12:47 UTC（429 KB）
来源：arXiv cs.AI · arxiv.org