C-Mamba：通道相关性增强的多变量时间序列预测状态空间模型

基于摘要分析。本文研究多变量时间序列预测中跨时间依赖与跨通道相关性的联合建模，提出 C-Mamba，通过 channel mixup 和通道注意力增强的 patch-wise Mamba 编码器，兼顾全局感受野与线性复杂度；研究对象并非 EEG 或 BCI。 机制上，channel mixup 混合两个通道以扩充训练数据；编码器利用状态空间模型捕获跨时间依赖，并通过通道注意力挖掘通道间的权重关系。作者指出，Channel-Independent（CI）策略忽略变量间相关性，而已有跨通道建模方法往往计算成本较高，且主要关注加权求和关系、未充分处理潜在比例关系。摘要尚不足以确认 C-Mamba 如何具体刻画比例关系，也未给出混合规则、注意力计算形式、损失函数与复杂度推导。 作者报告，C-Mamba 在七个真实世界时间序列数据集上取得 state-of-the-art 表现，且所提 mixup 与注意力策略可推广到其他框架。摘要未提供数据集名称、预测窗口、划分协议、评价指标、具体数值及对照基线，因此不能据此判断优势幅度或跨协议表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 通道间存在可利用且随时间变化的相关结构，这种跨时间编码与跨通道建模的组合可能有助于多通道 EEG 预测，但原领域结果不等于 BCI 有效性。可复用候选是 Mamba 时间编码器与通道注意力；需改造 patch 划分、通道混合规则及任务输出，使其适配 EEG 采样率、通道布局与监督目标。低信噪比可能使注意力捕获共同伪迹，混合电极信号可能扰动空间生理关系，跨被试或通道配置差异及小数据也可能削弱收益。可检验的小实验是在固定 EEG 预测任务和相同划分下，对照时间编码器、加入 mixup、加入通道注意力及两者组合，分别考察被试内与跨被试预测误差、计算开销和噪声鲁棒性。已有 EEG 相关工作尚未检索确认。