CMamba：用于多变量时间序列预测的通道相关性增强状态空间模型

基于摘要分析。本文研究多变量时间序列预测，针对原始 Mamba 对跨通道依赖处理不足的问题提出 CMamba，将时间依赖建模、跨通道相关性建模与缓解过拟合的机制结合起来；研究对象并非 EEG 或 BCI。 核心机制包括：改进的 Mamba 模块 M-Mamba，用于时间依赖建模；全局数据依赖 MLP，即 GDD-MLP，用于捕获跨通道依赖；以及用于缓解过拟合的 Channel Mixup。作者将普通 MLP 在相关预测任务中的性能下降归因于缺乏数据依赖性与全局感受野，并以此解释其泛化能力不足。该解释属于作者提出的机制判断，摘要未提供足够的消融证据供独立核对，也未披露各模块的具体结构、损失函数或混合方式。 作者报告，在七个真实世界数据集上的实验显示 CMamba 能改善预测性能。摘要未给出数据集名称、预测长度、数据划分、对照基线、指标及具体数值，因此不能量化收益或判断不同协议下的优势；实验协议、消融及统计信息尚未验证。复现还需核对实现细节、训练配置及代码可用性。 平台推测（待验证）：其“时间依赖与数据依赖的跨通道建模相结合”的思路，可能用于 EEG 多通道信号预测，但不等于能提升 BCI 解码。迁移依赖同步多通道序列及预测目标，可考察复用 M-Mamba 与 GDD-MLP，并需改造通道布局处理和 Channel Mixup，以避免破坏电极空间关系。低信噪比、伪迹、跨被试差异、通道缺失及小样本可能使模型学到不稳定相关性。一个可检验的小实验是在固定 EEG 通道配置和相同数据划分下，对比原始 Mamba、加入 GDD-MLP、再加入 Channel Mixup 的多步预测表现，并分别报告被试内与跨被试误差；已有 EEG 相关工作尚未检索确认。