DuoMamba：用于长期时间序列预测的无分解状态空间模型

基于摘要分析。本文研究长期时间序列预测（LTSF）中趋势、季节或频率分解模块是否必要，提出以 Mamba-2 为骨干、采用与 chunk 对齐的 patch tokenization、无需分解模块的 DuoMamba，并通过骨干与分解模块的交叉消融检验其作用。 核心机制与对照：作者指出，KARMA、SST 和 DMamba 等方法在 Mamba-1 上叠加分解模块；本文在三种已发表架构中改变骨干类型（Mamba-1 或 Mamba-2）及是否使用分解模块，试图区分分解的贡献与骨干表达能力的影响。摘要未提供 patch 与 chunk 的具体配置、多通道建模方式、损失函数及训练细节。 结果与解释：作者报告，在九个标准 LTSF 基准上的消融中，分解模块在 Mamba-1 下降低 MSE，却在 Mamba-2 下增加 MSE；DuoMamba 在多数数据集上达到或超过既有最佳结果，并在高通道数的 Traffic 和 ECL 上取得新的最佳结果。作者还报告参数量与训练步延迟约减半，但摘要未明确该效率比较的具体参照模型、硬件与配置。作者据此认为，分解模块主要补偿早期骨干的局限，而非提供始终必要的归纳偏置；这一解释的适用范围仍需结合全文核对。实验划分、预测长度、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：假设该骨干与分解模块的交互也存在于 EEG 连续信号预测，可复用其交叉消融思路，并改造采样尺度、patch/chunk 对齐及通道输入配置；但原任务是长期时间序列预测，并非 BCI 解码。低信噪比、跨被试差异、通道配置变化与小数据可能使该结论失效。可在固定 EEG 数据划分和预测长度下，比较两种骨干各自有无分解的四组配置，以 MSE 检验是否出现同样的方向反转；该实验不能直接证明 BCI 解码收益。已有 EEG 相关工作尚未检索确认。