論文の概要: DeMa: Dual-Path Delay-Aware Mamba for Efficient Multivariate Time Series Analysis

• arxiv url: http://arxiv.org/abs/2601.05527v1
• Date: Fri, 09 Jan 2026 04:54:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.84008
• Title: DeMa: Dual-Path Delay-Aware Mamba for Efficient Multivariate Time Series Analysis
• Title（参考訳）: DeMa:多変量時系列解析のためのデュアルパス遅延対応マンバ
• Authors: Rui An, Haohao Qu, Wenqi Fan, Xuequn Shang, Qing Li,
• Abstract要約: トランスフォーマーベースのモデルは、計算複雑性と高いメモリオーバーヘッドに悩まされる。 マンバは高い表現力を持つ有望な線形時間代替品として登場した。 DeMaはデュアルパス遅延対応のMambaバックボーンである。
• 参考スコア（独自算出の注目度）: 22.768341734517815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and efficient multivariate time series (MTS) analysis is increasingly critical for a wide range of intelligent applications. Within this realm, Transformers have emerged as the predominant architecture due to their strong ability to capture pairwise dependencies. However, Transformer-based models suffer from quadratic computational complexity and high memory overhead, limiting their scalability and practical deployment in long-term and large-scale MTS modeling. Recently, Mamba has emerged as a promising linear-time alternative with high expressiveness. Nevertheless, directly applying vanilla Mamba to MTS remains suboptimal due to three key limitations: (i) the lack of explicit cross-variate modeling, (ii) difficulty in disentangling the entangled intra-series temporal dynamics and inter-series interactions, and (iii) insufficient modeling of latent time-lag interaction effects. These issues constrain its effectiveness across diverse MTS tasks. To address these challenges, we propose DeMa, a dual-path delay-aware Mamba backbone. DeMa preserves Mamba's linear-complexity advantage while substantially improving its suitability for MTS settings. Specifically, DeMa introduces three key innovations: (i) it decomposes the MTS into intra-series temporal dynamics and inter-series interactions; (ii) it develops a temporal path with a Mamba-SSD module to capture long-range dynamics within each individual series, enabling series-independent, parallel computation; and (iii) it designs a variate path with a Mamba-DALA module that integrates delay-aware linear attention to model cross-variate dependencies. Extensive experiments on five representative tasks, long- and short-term forecasting, data imputation, anomaly detection, and series classification, demonstrate that DeMa achieves state-of-the-art performance while delivering remarkable computational efficiency.
• Abstract（参考訳）: 高精度かつ効率的な多変量時系列解析(MTS)は、幅広いインテリジェントアプリケーションにとってますます重要になっている。 この領域内では、Transformersが主要なアーキテクチャとして登場した。 しかし、Transformerベースのモデルは2次計算の複雑さと高いメモリオーバーヘッドに悩まされ、長期および大規模 MTS モデリングにおけるスケーラビリティと実践的な展開が制限される。 最近、Mambaは高い表現力を持つ有望な線形時間代替品として登場した。 それでも、バニラ・マンバをMTSに直接適用することは、以下の3つの重要な制限のために最適以下である。 (i)明示的な異種間モデリングの欠如。 (II)絡み合った系列内時間力学と系列間相互作用の解離の難しさ、及び 三 遅延時間ラグ相互作用効果のモデリングが不十分なこと。 これらの問題は、様々なTSタスクにまたがってその効果を制限している。 これらの課題に対処するため、デュアルパス遅延対応のMambaバックボーンであるDeMaを提案する。 DeMaは、MTS設定への適合性を著しく改善しつつ、Mambaの線形複雑性優位性を保っている。 具体的には、DeMaは3つの重要なイノベーションを紹介している。 i)MTSを時系列内時間力学とシリーズ間相互作用に分解する。 (II)Mamba-SSDモジュールを用いた時間パスを開発し、各系列内の長距離ダイナミックスをキャプチャし、系列非依存の並列計算を可能にする。 (iii)モデル間依存関係に遅延認識線形注意を組み込んだMamba-DALAモジュールで可変経路を設計する。 長期的および短期的な予測,データ計算,異常検出,系列分類といった5つの代表的なタスクに対する大規模な実験は,DeMaが計算効率を向上しつつ最先端のパフォーマンスを達成することを実証している。

関連論文リスト

• TSkel-Mamba: Temporal Dynamic Modeling via State Space Model for Human Skeleton-based Action Recognition [59.99922360648663]
  TSkel-Mambaは、空間力学と時間力学の両方を効果的に捉えるハイブリッドトランスフォーマー-Mambaフレームワークである。 MTIモジュールはマルチスケールのCycle演算子を使用して、チャネル間の時間的相互作用をキャプチャする。
  論文  参考訳（メタデータ） (2025-12-12T11:55:16Z)
• MMA: A Momentum Mamba Architecture for Human Activity Recognition with Inertial Sensors [6.7394387525196215]
  慣性センサーからのヒューマンアクティビティ認識(HAR)はユビキタスコンピューティング、モバイルヘルス、環境知能に不可欠である。 モーメントム・マンバ(Momentum Mamba)は、時間ステップ間の情報フローの安定性を改善するために2次ダイナミクスを組み込んだ運動量増強型SSMである。 複数のHARベンチマークの実験では、バニラ・マンバとトランスフォーマーのベースラインの精度、堅牢性、収束速度が一貫した向上を示した。
  論文  参考訳（メタデータ） (2025-11-26T16:21:36Z)
• Routing Mamba: Scaling State Space Models with Mixture-of-Experts Projection [88.47928738482719]
  線形状態空間モデル(SSM)は、シーケンスモデリングにおいて顕著なパフォーマンス向上を提供する。 Mambaのような最近の進歩は、入力依存のゲーティングとハードウェア対応の実装により、SSMをさらに強化している。 本稿では,線形射影の専門家による疎混合を用いてSSMパラメータをスケールする新しい手法であるRoM(Roing Mamba)を紹介する。
  論文  参考訳（メタデータ） (2025-06-22T19:26:55Z)
• Mamba-SEUNet: Mamba UNet for Monaural Speech Enhancement [54.427965535613886]
  Mambaは、新しいステートスペースモデル(SSM)として、自然言語処理やコンピュータビジョンに広く応用されている。 本稿では,MambaとU-Net for SEタスクを統合する革新的なアーキテクチャであるMamba-SEUNetを紹介する。
  論文  参考訳（メタデータ） (2024-12-21T13:43:51Z)
• MobileMamba: Lightweight Multi-Receptive Visual Mamba Network [51.33486891724516]
  従来の軽量モデルの研究は、主にCNNとTransformerベースの設計に重点を置いてきた。 効率と性能のバランスをとるMobileMambaフレームワークを提案する。 MobileMambaはTop-1で83.6%を達成し、既存の最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2024-11-24T18:01:05Z)
• Mamba or Transformer for Time Series Forecasting? Mixture of Universals (MoU) Is All You Need [28.301119776877822]
  時系列予測には、正確な予測のために短期と長期の依存関係のバランスが必要である。 変換器は長期依存のモデリングに優れているが、2次計算コストで批判されている。 Mambaは、ほぼ直線的な代替手段を提供するが、潜在的な情報損失のため、時系列の長期予測では効果が低いと報告されている。
  論文  参考訳（メタデータ） (2024-08-28T17:59:27Z)
• SDE: A Simplified and Disentangled Dependency Encoding Framework for State Space Models in Time Series Forecasting [8.841699904757506]
  精度予測の基本となる3つの重要な依存関係を特定し,正式に定義する。 SDE(Simplified and Disentangled Dependency entangle)は,時系列予測におけるSSMの能力向上を目的とした新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-08-22T02:14:59Z)
• Chimera: Effectively Modeling Multivariate Time Series with 2-Dimensional State Space Models [5.37935922811333]
  State Space Models (SSM) は、一変量時系列モデリングのための古典的なアプローチである。 本稿では、2つの入力依存型2次元SSMヘッドと異なる離散化プロセスを用いて長期進行と季節パターンを学習するチメラについて述べる。 実験により,広範囲で多様なベンチマークにおいて,Chimeraの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-06T17:58:09Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。