Mamba4Cast：基于状态空间模型的高效零样本时间序列预测

基于摘要分析。Mamba4Cast 面向通用时间序列预测，提出一种基于 Mamba 架构、受 Prior-data Fitted Networks（PFNs）启发的零样本基础模型，以纯合成数据训练，在不进行数据集特定微调的情况下预测真实世界时间序列。 核心机制是一次前向计算生成整个预测区间，而非逐步自回归生成。作者报告，在其真实世界数据集实验中，Mamba4Cast 与其他先进时间序列基础模型具有竞争性表现，相较基于 Transformer 的时间序列基础模型推理耗时更低，并随预测长度增加表现出更好的计算扩展性。摘要未提供数据集名称、划分、预测长度、指标、具体分数或硬件条件，因此尚不能量化准确性与效率之间的权衡，也不能将这些结果直接外推到其他评估协议。 复现时需核对合成数据的生成分布及其与真实序列的覆盖关系、PFNs 思路的具体实现、训练目标，以及零样本评估中允许使用的上下文与预处理。效率比较还需核对输入长度、预测长度、批量大小与计算环境。材料提供了源码入口，但权重可用性、运行配置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若任务是 EEG 连续信号预测，纯合成训练与整段预测机制可能为小数据条件下的预测建模提供参考，但通用时间序列上的有效性不等于 BCI 解码有效性。可复用的是状态空间序列建模与一次生成预测区间的思路；多通道空间关系、采样尺度及合成信号分布可能需要改造。低信噪比、跨被试差异和通道配置变化均可能导致合成到真实数据的迁移失败。一个可检验的小实验是在固定通道配置、严格隔离训练与测试片段的 EEG 预测任务中，比较原模型零样本预测与简单预测基线的误差和延迟，再检验误差随预测长度的变化；该实验不用于证明 BCI 分类收益。已有 EEG 相关工作尚未检索确认。