DiM-TS：弥合选择性状态空间模型与时间序列生成建模之间的差距

基于摘要分析。该研究面向通用时间序列生成，针对扩散模型难以兼顾长程时间依赖与复杂通道关系的问题，提出 Diffusion Mamba for Time Series（DiM-TS），将两种 Mamba 变体用于去噪过程，以改善生成数据对时间周期性和通道间相关性的保留。 作者将原有状态空间模型的局限概括为对相关时间滞后和通道排列考虑不足，并据此提出 Lag Fusion Mamba 与 Permutation Scanning Mamba。作者报告，理论分析将这两种变体与原始 Mamba 纳入统一的矩阵乘法框架。摘要未提供具体扫描方式、滞后融合计算、扩散训练目标或采样流程，相关实现尚待全文核对。 作者报告，在公共数据集上的综合实验中，DiM-TS 能生成更逼真的时间序列并保留多种数据属性。但摘要未列出数据集名称、划分协议、对照基线、指标及数值，实验协议、消融及统计信息尚未验证。隐私顾虑是研究动机，不能据此认定合成数据已具备隐私保护保证。 平台推测（待验证）：其机制可能对应多通道 EEG 合成中长程节律与跨通道依赖的建模瓶颈。可复用方向是扩散去噪中的时滞融合与通道扫描模块；迁移假设依赖于具有明确时间轴及通道对应关系的多变量序列，所需数据规模与监督条件尚不明确。EEG 通道具有空间位置和参考方式，不能直接假定任意排列均保留生理含义，需核对扫描机制是否保留这些关系。低信噪比、跨被试差异、通道配置变化及小样本可能使模型拟合伪相关。一个可检验的小实验是在固定被试划分、通道配置和训练预算下，对比原始 Mamba 去噪器、两种单独变体及其组合，评估生成 EEG 的频谱、跨通道相关结构及在未参与生成器训练的真实数据上的下游效用。已有 EEG 相关工作尚未检索确认。