MambaSL: Exploring Single-Layer Mamba for Time Series Classification

📄 arXiv: 2604.15174v1 📥 PDF

作者: Yoo-Min Jung, Leekyung Kim

分类: cs.LG, cs.AI

发布日期: 2026-04-16

备注: accepted at ICLR 2026

💡 一句话要点

MambaSL：探索单层Mamba模型在时间序列分类中的应用

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 时间序列分类 状态空间模型 Mamba 单层模型 UEA数据集

📋 核心要点

  1. 现有时间序列分类方法在配置、数据集覆盖和可重复性方面存在局限性。
  2. MambaSL通过最小化地重新设计单层Mamba，并结合TSC特定假设来解决这些问题。
  3. 实验表明，MambaSL在UEA数据集上实现了最先进的性能，并提供了可重复的结果。

📝 摘要（中文）

尽管Mamba等状态空间模型(SSM)在各种序列领域取得了显著进展，但对其在时间序列分类(TSC)中的独立能力的研究仍然有限。我们提出了MambaSL，该框架基于四个TSC特定的假设，对单层Mamba的选择性SSM和投影层进行了最小程度的重新设计。为了解决基准测试的局限性——受限的配置、不完整的东安格利亚大学(UEA)数据集覆盖以及不足的可重复设置——我们在统一的协议下，重新评估了所有30个UEA数据集上的20个强大的基线模型。结果表明，MambaSL实现了最先进的性能，并具有统计上显著的平均改进，同时通过所有评估模型的公共检查点确保了可重复性。结合可视化结果，这些结果证明了基于Mamba的架构作为TSC骨干网络的潜力。

🔬 方法详解

问题定义：论文旨在解决时间序列分类（TSC）问题，现有方法在基准测试中存在配置受限、数据集覆盖不完整以及实验设置可重复性不足等问题。这些问题限制了对新型时间序列分类模型（特别是基于状态空间模型如Mamba）的有效评估和应用。

核心思路：论文的核心思路是探索单层Mamba模型在时间序列分类中的潜力，并针对TSC任务的特点，对Mamba的结构进行最小程度的调整。通过这种方式，可以在保持Mamba模型高效性的同时，使其更适应TSC任务的需求。

技术框架：MambaSL框架主要包含以下几个部分：首先，使用单层Mamba作为核心模型；其次，基于TSC任务的特定假设，对Mamba的选择性SSM和投影层进行重新设计；最后，在统一的协议下，对所有30个UEA数据集上的20个基线模型进行重新评估。整体流程包括数据预处理、模型训练、性能评估和结果分析。

关键创新：MambaSL的关键创新在于其对单层Mamba的最小化重新设计，以及基于TSC特定假设的结构调整。这种设计使得Mamba模型能够更好地捕捉时间序列数据的特征，从而在TSC任务中取得更好的性能。此外，论文还通过提供公共检查点，确保了实验结果的可重复性。

关键设计：论文中关于MambaSL的关键设计细节包括：对选择性SSM和投影层的具体调整方式（具体调整方法论文中未详细说明，属于未知信息），以及用于训练和评估模型的超参数设置。此外，损失函数和网络结构等技术细节也对模型的性能有重要影响（具体细节未知）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MambaSL在所有30个UEA数据集上进行了评估，并与20个强大的基线模型进行了比较。实验结果表明，MambaSL实现了最先进的性能，并具有统计上显著的平均改进。此外，论文还提供了所有评估模型的公共检查点，确保了实验结果的可重复性。具体的性能数据和提升幅度需要在论文中查找。

🎯 应用场景

MambaSL在时间序列分类领域具有广泛的应用前景，例如医疗健康（疾病诊断、生理信号分析）、金融（股票预测、风险评估）、工业（设备故障诊断、质量控制）等。该研究的实际价值在于提供了一种高效且可重复的时间序列分类方法，并为未来基于Mamba的TSC模型研究奠定了基础。未来影响可能包括推动时间序列分析技术在各个领域的应用，并促进相关算法的进一步发展。

📄 摘要（原文）

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.