Mamba
PulseAugur coverage of Mamba — every cluster mentioning Mamba across labs, papers, and developer communities, ranked by signal.
- instance of State Space Models 90%
- used by electroencephalography 90%
- uses CNN 80%
- used by magnetic resonance imaging 80%
- competes with attention 80%
- used by CNN 70%
- instance of long short-term memory 70%
- used by State Space Model 70%
- instance of State Space Model 70%
- used by alphaXiv 70%
- competes with CNN 70%
- developed electroencephalography 70%
20 天有情绪数据
-
PRGCN论文提出跨序列模式复用用于3D人体姿态估计
一篇研究论文介绍了一种新颖的单目3D人体姿态估计框架——模式复用图卷积网络（PRGCN）。该方法通过学习和复用不同人体运动序列之间的模式，解决了孤立处理序列的局限性。PRGCN利用图记忆库存储姿态原型，并通过注意力机制进行动态检索，通过记忆驱动的图卷积增强了几何合理性。在Human3.6M和MPI-INF-3DHP基准上的评估表明，PRGCN取得了最先进的成果，这表明跨序列模式复用对于推动该领域的发展至关重要。
-
QLLM 发布，采用新颖 O(1) 推理架构，无 KV 缓存
一款名为 QLLM 的新型语言模型已发布，其采用了一种新颖的架构，不依赖于 Transformer 或 Mamba。该模型拥有 O(1) 推理复杂度，意味着其处理时间不随输入长度增加而增加，并且无需 KV 缓存即可运行。虽然目前性能处于 GPT-2 水平，尚未达到最先进水平，但 QLLM 已开源，其代码和模型可在 Hugging Face 上获取，并可能应用于语音建模。
-
基于模糊Mamba的聚类框架在时间序列数据上优于基线模型
研究人员推出了一种新颖的深度聚类框架FMMVCC，专为单变量时间序列数据设计。该框架利用了以其高效、线性复杂度的状态空间序列建模而闻名的Mamba架构，以捕捉长程时间依赖性。FMMVCC还融入了多视图自监督学习技术，包括时间掩码和增强，以发现标注有限数据中的结构。在15个基准数据集上的评估表明，FMMVCC在众多指标评估中超越了现有的最先进方法，取得了卓越的性能，并且平均排名最高。
-
新的双曲学习框架增强了脑部疾病诊断
研究人员开发了一种名为“大脑图谱上的双曲学习”（HLBG）的新型框架，用于分析功能性大脑网络和诊断疾病。该方法利用深度双曲学习来模拟大脑网络固有的层级结构，从个体区域（ROIs）到全脑整合。HLBG将表示投影到洛伦兹双曲空间，并结合了图感知Mamba（GaMamba）模型，以捕捉长距离依赖性并保留拓扑信息。在ABIDE-I和REST-MDD数据集上的实验表明，HLBG优于现有的最先进方法，并识别出与疾病相关的生物标志物。
-
SAMBA模型凭借新颖的Mamba架构推动SAR目标识别发展
研究人员开发了SAMBA，这是一种新颖的、用于合成孔径雷达（SAR）自动目标识别（ATR）的自监督基础模型。SAMBA采用了具有线性复杂度的Mamba编码器、一种结合了SAR物理先验的散布引导掩码自动编码器（SG-MAE）策略，以及一个用于改进跨区域融合的特征交互模块。该方法解决了Transformer架构的计算需求以及SAR图像中通用掩码策略的局限性。评估表明，SAMBA在各种分类和检测任务上取得了最先进的性能，并且参数量少于现有模型。
-
Mamba 模型在上下文学习和离群值鲁棒性方面的理论分析
研究人员发布了对 Mamba 模型进行的理论分析，重点关注其上下文学习 (ICL) 能力和泛化能力，尤其是在存在离群值的情况下。研究表明，Mamba 的架构结合了线性注意力层和非线性门控机制，使其能够有效地选择信息丰富的上下文示例，同时抑制噪声数据的影响。尽管 Mamba 可能比线性 Transformer 需要更多的训练迭代，但它在离群值鲁棒性方面表现更优，在超出线性模型容忍阈值的情况下仍能保持准确的预测。
-
新研究分析了类Mamba选择性SSM的稳定性性质
研究人员发表了一篇关于选择性状态空间模型（SSM）的正则性和稳定性性质的论文，SSM是一类用于长序列建模的模型，Mamba是其中的一个突出代表。该研究应用了诸如无源性、耗散性和输入状态稳定性（ISS）等控制理论工具来分析这些模型，这些模型由依赖于token的门控信号进行调制。论文提出了关于指数遗忘、冻结选择子系统的典型AUCloc二次存储以及全局ISS的条件。它还为Mamba选择性扫描核心引入了一个采样块LMI，该核心可作为可微分的训…
-
NVIDIA 发布 Nemotron-Labs-3-Puzzle-75B 以支持 Blackwell 硬件
NVIDIA 发布了其 Nemotron-Labs-3-Puzzle-75B 模型，该模型已针对 Blackwell 硬件上的服务进行了优化。该模型集成了 LatentMoE、Mamba-Interleaving 和 Multi-Token Prediction (MTP) 以提高吞吐量。它在 OpenMDW-1.1 许可下可用，允许商业使用。
-
新的AI模型EVAS和UniSkip-Mamba推动视频伪造检测进展
两篇新研究论文EVAS和UniSkip-Mamba介绍了检测视频中AI生成内容的先进方法。EVAS采用多阶段视听协同机制和边界感知细化来精确地定位伪造片段，而UniSkip-Mamba则利用一种频率感知方法来关注伪造信号最突出的低频和中频分量。两个框架在时序伪造定位的基准数据集上都展现了最先进的性能，其中UniSkip-Mamba还提供了显著更快的推理速度。
-
MedMambaLite：用于边缘医疗图像分类的高效Mamba模型
研究人员开发了MedMambaLite，这是一种新的基于Mamba的模型，专为边缘设备上的高效医疗图像分类而设计。通过知识蒸馏对该模型进行了优化，与之前的MedMamba相比，其大小和计算需求显著降低。MedMambaLite在MedMNIST数据集上达到了94.5%的高准确率，并在NVIDIA Jetson Orin Nano等硬件上部署时展示了卓越的能效。
-
新模型采用超图和Mamba实现高效冲击跌倒检测
研究人员开发了DistillH-Mamba，一种用于检测老年人冲击跌倒的新模型。该模型利用基于超图的方法结合Mamba架构，以更有效地捕捉复杂的关节关系和时间依赖性。通过关系知识蒸馏，DistillH-Mamba旨在降低实时应用的计算需求，与教师模型相比，实现了高精度和显著更快的推理速度。
-
E-TraMamba：基于Mamba的新框架，用于事件相机的三维特征跟踪
研究人员推出了E-TraMamba，一个专为使用事件相机进行高效长期三维特征跟踪而设计的新颖框架。这种基于Mamba的方法通过采用线性状态空间模型来处理长期依赖关系，并采用轻量级仿射变换预测器来提高稳定性，从而解决了当前CNN和Transformer模型在处理稀疏、嘈杂的事件数据方面的局限性。为了便于训练和评估，创建了一个名为EvD-PointOdyssey的大规模合成数据集。实验表明，E-TraMamba的性能显著优于现有方法，在保…
-
AViS-Mamba架构通过自适应地利用视觉上下文引导音频来增强暴力检测能力
研究人员开发了AViS-Mamba，这是一种新颖的视听架构，旨在改进视频中的暴力检测。这个基于Mamba的模型具有一个独特的机制，其中视觉流直接影响音频流的时间动态，从而允许根据视觉上下文自适应地依赖音频线索。该系统在NTU-CCTV和DVD基准测试中均取得了最先进的性能，准确率分别为88.59%和75.74%。事实证明，AViS-Mamba的自适应条件比固定路由更有效，尤其是在音频质量下降或缺失的情况下。
-
新型 MambaCapsule 模型增强了心电图心脏病诊断的透明度
研究人员开发了 MambaCapsule，这是一种新颖的深度神经网络，用于利用心电图 (ECG) 信号进行透明的心脏病诊断。该模型集成了 Mamba 进行特征提取和 Capsule 网络进行预测，旨在提高可解释性以及诊断性能。MambaCapsule 不仅提供置信度评分，还能重建信号特征以展示其对数据的理解，解决了当前用于 ECG 分析的深度学习模型缺乏透明度的问题。该模型在 MIT-BIH 和 PTB 数据集上分别达到了 99.54…
-
QuantFlow：联邦Mamba模型增强时间序列预测
研究人员推出QuantFlow，一个新颖的用于时间序列预测的联邦学习框架。该模型结合了倒序序列嵌入、双向Mamba状态空间解码器和分位数回归，以处理长序列、高维度和隐私敏感数据。QuantFlow在包括加密货币、交通和天气在内的各种数据集上表现出色，同时在去中心化部署中保持准确性，而无需集中化原始数据。该框架在可扩展和注重隐私的时间序列预测方面显示出潜力，尽管它在处理不规则信号和长周期泛化方面存在局限性。
-
新的机器学习框架增强了在无GPS环境下的车辆定位能力
研究人员开发了两个新颖的机器学习框架，以提高车辆定位能力，特别是在GPS信号不可靠的环境中。第一个框架PRML2结合了卡尔曼滤波和物理正则化机器学习，利用车载传感器来提高准确性和泛化能力。第二个框架EVC-Mamba利用证据Mamba模型创建一个虚拟速度传感器，用于校正IMU漂移，并提供不确定性量化和实时部署能力。这两种方法都旨在为自主系统提供稳健且经济高效的定位解决方案。
-
新框架平衡视频编辑的一致性和可编辑性
研究人员开发了EquiEdit，一个旨在通过平衡时间一致性和可编辑性来改进文本引导视频编辑的新框架。该框架利用具有专门扫描技术的时间Mamba模块来增强视频帧之间的一致性。为了提高可编辑性，采用了一种基于频谱变换（特别是傅里叶变换）的噪声注入策略，以在保持对原始视频的保真度的同时增加灵活性。
-
新的机器学习框架利用Mamba和生理感知模型解决睡眠分期问题 · 跟踪3个来源
两篇新研究论文介绍了用于自动睡眠分期（使用脑电图（EEG）数据）的先进机器学习框架。其中一篇论文详细介绍的GamSleepNet是一个轻量级框架，它利用了约束卷积神经网络（CNN）和Mamba架构，在Sleepedf数据集上实现了87.86%的准确率，且参数量极少。第二篇论文介绍了SleepBand框架，该框架专为单源域泛化设计，采用可学习的Morlet滤波器组和结构化集成，专注于生理相关的睡眠节律，并提高跨不同数据集的鲁棒性。
-
ICML 2026 聚焦人工智能理论、科学和具身智能
国际机器学习大会 (ICML) 2026 的投稿量接近翻倍，但仍保持严格的 26.56% 的录用率，这表明学术评审标准正在进行重大调整。研究日益关注理解大型模型的内部机制，通过严谨的理论基础推动人工智能在科学发现中的应用，并通过视觉-语言-动作整合和仿真到现实迁移探索具身人工智能。强调数学严谨性、鲁棒性、安全性和理论进展的投稿比纯粹以工程为中心或基于提示工程的工作更受青睐。
-
新的DSINet框架改进了域增量变化检测
研究人员推出了一种新颖的域增量变化检测框架——双选择增量网络（DSINet）。该方法利用Mamba的选择机制，在一个选择性空间状态单元（S3U）中，跨不同地理域保持稳定的空间变化表示。DSINet还采用了一种浓度平衡蒸馏（CBD）策略，以确保在增量更新过程中可靠的知识转移，防止过平滑等问题。该框架旨在缓解长域序列中的知识退化，同时保持状态空间模型特有的计算效率。