論文の概要: MambaSL: Exploring Single-Layer Mamba for Time Series Classification
- arxiv url: http://arxiv.org/abs/2604.15174v1
- Date: Thu, 16 Apr 2026 15:51:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.993885
- Title: MambaSL: Exploring Single-Layer Mamba for Time Series Classification
- Title（参考訳）: MambaSL:時系列分類のための単層マンバ探索
- Authors: Yoo-Min Jung, Leekyung Kim,
- Abstract要約: MambaSLは、選択的なSSMと単層Mambaのプロジェクション層を最小限に再設計するフレームワークである。
統一されたプロトコルの下で、東アングリア大学(UEA)の30のデータセットにまたがる20の強いベースラインを再評価した。
MambaSLは、統計的に有意な平均改善で最先端の性能を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite recent advances in state space models (SSMs) such as Mamba across various sequence domains, research on their standalone capacity for time series classification (TSC) has remained limited. We propose MambaSL, a framework that minimally redesigns the selective SSM and projection layers of a single-layer Mamba, guided by four TSC-specific hypotheses. To address benchmarking limitations -- restricted configurations, partial University of East Anglia (UEA) dataset coverage, and insufficiently reproducible setups -- we re-evaluate 20 strong baselines across all 30 UEA datasets under a unified protocol. As a result, MambaSL achieves state-of-the-art performance with statistically significant average improvements, while ensuring reproducibility via public checkpoints for all evaluated models. Together with visualizations, these results demonstrate the potential of Mamba-based architectures as a TSC backbone.
- Abstract（参考訳）: 近年、マンバのような状態空間モデル(SSM)が様々なシーケンス領域にわたって進歩してきたが、時系列分類(TSC)のためのスタンドアロン能力の研究は限られている。
提案するMambaSLは,STC固有の4つの仮説で導かれる単層マンバの選択的SSMおよび射影層を最小限に再設計するフレームワークである。
ベンチマークの制限 - 制限された設定、一部のイーストアングリア大学(UEA)データセットカバレッジ、不十分な再現性を備えたセットアップ - に対処するため、統一されたプロトコルの下で、30のUEAデータセットすべてに20の強いベースラインを再評価しました。
その結果、MambaSLは統計的に有意な平均的改善を行い、全ての評価モデルに対する公開チェックポイントによる再現性を確保した。
これらの結果は、視覚化とともに、TSCバックボーンとしてのMambaベースのアーキテクチャの可能性を示している。
関連論文リスト
- Clustering-Guided Spatial-Spectral Mamba for Hyperspectral Image Classification [2.320960021702736]
本稿では,CSSMamba (Clustering-guided Spatial-Spectral Mamba) フレームワークについて述べる。
Mambaの性能向上のために,効率的な適応トークンシーケンスを実現するために,クラスタリング機構を空間的Mambaアーキテクチャに統合する。
Pavia University、Indian Pines、Liao-Ning 01データセットの実験はCSSMambaがより高い精度とより良い境界保存を実現することを示した。
論文 参考訳（メタデータ） (2026-01-22T16:47:07Z) - MambaMoE: Mixture-of-Spectral-Spatial-Experts State Space Model for Hyperspectral Image Classification [46.67137351665963]
マンバをベースとしたモデルは、最近ハイパースペクトル画像(HSI)分類において有意な可能性を証明している。
我々は,HSI分類領域における最初のMoEに基づくアプローチである,スペクトル空間混合(MoE)フレームワークであるMambaMoEを提案する。
MambaMoEは、既存の高度な手法と比較して、分類精度と計算効率の両面で最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-04-29T07:50:36Z) - 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) - Mamba-CL: Optimizing Selective State Space Model in Null Space for Continual Learning [54.19222454702032]
継続的学習は、AIモデルに時間とともに一連のタスクを学習する能力を持たせることを目的としている。
ステートスペースモデル(SSM)はコンピュータビジョンにおいて顕著な成功を収めた。
大規模マンバ基礎モデルのコアSSMを連続的に微調整するフレームワークであるMamba-CLを紹介する。
論文 参考訳（メタデータ） (2024-11-23T06:36:16Z) - SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。
SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。
以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-08-21T09:12:59Z) - MambaVision: A Hybrid Mamba-Transformer Vision Backbone [54.965143338206644]
視覚応用に適した新しいハイブリッド型Mamba-TransformerバックボーンMambaVisionを提案する。
最終層に自己アテンションブロックを付加したMambaアーキテクチャは,長距離空間依存性を捕捉する能力を大幅に向上することを示す。
ImageNet-1Kデータセットの分類において、MambaVisionの変種は、Top-1の精度とスループットの両方の観点から、最先端(SOTA)のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-07-10T23:02:45Z)
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。