arXiv cs.AI· Xudong Jiang, Mingshan Loo, Wengen Li, Mingrui Zhang, Jihong Guan, Shuigeng Zhou·· 10 小时前AI 评分27
AdaMamba：面向长期时间序列预测的自适应频率门控 Mamba
AdaMamba: Adaptive Frequency-Gated Mamba for Long-Term Time Series Forecasting
AI 导读
AdaMamba 将输入相关的频率信息显式内化到时间依赖建模中，由交互学习模块和自适应频率门控状态空间模块组成，后者生成上下文相关的频率基并将时间遗忘统一为单一时间-频率门，直接调制状态演化。在七个公开 LTSF 基准和四个领域特定数据集上，AdaMamba 持续优于 SOTA 基线，同时保持有竞争力的计算效率。
正文 · AI 翻译
摘要：时间序列预测是众多网络级服务的基础，涵盖个性化推荐、能源调度和基础设施容量规划等领域。准确的长期时间序列预测（LTSF）要求模型能够捕捉长程时间依赖关系，同时适应随变量而变化的周期性模式。尽管频率感知方法提供了时间动态的全局视角，但它们通常依赖于僵化的启发式设计，例如预定义的周期长度、手动选择或随机采样的前 k 个频率分量，以及独立的频谱变换。因此，它们无法考虑时频异质性，即在时域中看似同步的变量在频域中可能存在显著差异。与此同时，基于 Mamba 的预测器尽管在长程建模方面效率很高，但仅将频率信息作为辅助信号引入，使频谱证据与状态转移脱节。在本工作中，我们提出了 AdaMamba，一种将输入相关的频率信息显式内化到时间依赖建模中的新方法。AdaMamba 包含一个交互学习模块和一个自适应频率门控状态空间模块：前者捕捉跨变量依赖关系和多尺度时间上下文，后者生成上下文相关的频率基，并将时间遗忘统一为单个时频门，直接调制状态演化。在七个公开 LTSF 基准和四个领域特定数据集上的大量实验表明，AdaMamba 始终优于最先进的基线方法，同时保持有竞争力的计算效率。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2604.23239 [cs.AI] |
| （或使用 arXiv:2604.23239v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2604.23239 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xudong Jiang [查看电子邮件]
[v1]
2026年4月25日星期六 10:22:49 UTC（1,548 KB）
[v2]
2026年11月4日星期三 12:55:31 UTC（1,787 KB）
来源：arXiv cs.AI · arxiv.org