TIDES：把输入依赖移到状态矩阵，让选择性状态空间模型原生理解不规则时间

状态空间模型（SSM）是近年来最受关注的 Transformer 替代路线之一。S4、S5 把序列看作连续时间线性系统的离散采样，推理成本随序列长度线性增长。Mamba 在此基础上加入选择性机制，让参数随输入变化，模型因而可以按内容决定记住什么、遗忘什么。但选择性带来了一个很少被讨论的副作用：模型对真实时间的感知变得含糊。TIDES 这篇论文正是针对这一点。作者为 Taylan Soydan、Miguel A. Bessa、Dirk Mohr 和 Rui Barreira，论文 2026 年 5 月 10 日提交 arXiv，10 月 5 日更新到第二版。

问题出在离散化步长。在 Mamba 中，步长 Δ 由当前输入生成。它同时扮演两个角色：一是两个观测之间的时间间隔，二是控制记忆衰减快慢的内容门。采样规则时，这两个角色混在一起问题不大，因为每一步的真实间隔都一样。可一旦时间戳不规则，真实的时间差就没有地方进入模型，只能让网络从数据里隐式地猜。这就是标题中「隐式时间感知」的含义：Mamba 有时间感知，但它是隐式的，既没有物理约束，也容易和内容信号纠缠。S5 的做法相反。它的步长对应真实时间间隔，可以原生处理不规则采样，但其动力学是线性时不变的，每个 token 的表达力受限。

TIDES 的核心改动，用摘要里的话说，就是把输入依赖从步长上移走，放到对角状态矩阵上。步长保持等于物理时间间隔，所以不规则时间戳被原生处理。输入依赖则由状态矩阵的对角元素承担，所以每个 token 仍然可以有选择性。一句话概括：时间归时间，内容归内容。两种相互冲突的需求，原本被压在同一个变量上，现在被拆到两个变量上。 下面用离散化公式做一个解释性说明。需要强调，这是根据摘要做的推演，具体参数化方式、稳定性约束和初始化细节，请以论文正文与开源代码为准。对角连续系统经零阶保持离散化后，状态衰减因子为 exp(Δ·a)。在 Mamba 中，a 是固定的负实数，Δ(x) 随输入变化，衰减因子是 exp(Δ(x)·a)。在 TIDES 中，Δ 等于真实时间差 t_k − t_{k−1}，a(x) 随输入变化，衰减因子是 exp(Δ·a(x))。在规则采样下，两者的形式相近。在不规则采样下，差别就出现了：TIDES 的衰减会随真实间隔自动缩放，间隔越长，默认遗忘越多，而内容决定衰减的速率。这样模型不必再从数据中反推时间，时间信息成为结构的一部分。

实验结果方面，我们只引用摘要中明确给出的内容。作者先设计了一个名为 Fading Flash 的小型受控诊断任务，专门隔离「时间感知」这一能力，用来观察不同 SSM 在其上的差异。随后，TIDES 在 UEA 时间序列分类基准和 Physiome ODE 回归基准上取得了新的最佳平均排名。在 8 个天然不规则的数据集上，覆盖天文、农业、神经形态传感和气候事件，TIDES 在其中 6 个上持平或超过参考基线。我们读到的摘要没有给出具体的准确率、延迟或参数量，本文也不编造这些数字。想要精确的成本与性能权衡，需要查看论文的表格并自行复现。

对开发者和企业而言，价值主要在不规则采样的场景：病人监护中的间歇性化验、金融里的逐笔事件、传感器掉线与异步到达、事件相机输出、天文观测的不均匀曝光。常见做法是先插值到规则网格，这会引入偏差；或者把时间差当作一个额外特征拼进输入，让网络自己去学。TIDES 提供了第三条路：把时间差直接放进离散化，从结构上保证。代码已经发布在 GitHub 的 TaylanSoydan/TIDES 仓库。由于它仍是循环式的线性时间模型，推理成本预期与 Mamba 同量级，但这一点需要实测，不能由摘要推出。 从工程选型的角度看，这项改动的价值在于可解释性。过去遇到不规则数据，团队往往要在插值、补零掩码、时间差特征三种做法之间反复试验，每一种都要额外的预处理代码和调参。TIDES 把时间处理收进模型内部，预处理管线可以更短，出错点也更少。对于需要审计的医疗和金融系统，这一点尤其重要：衰减由真实时间决定，工程师可以直接检查模型在长时间间隔之后保留了多少信息，而不必依赖黑箱式的隐式推断。当然，这些好处仍需在具体业务数据上验证，摘要本身并不能替代复现实验。 这项工作也有局限。第一，摘要只说在 8 个数据集中的 6 个上持平或更好，这意味着另外 2 个没有达到，适用边界需要看具体数据特性。第二，方法依赖可靠的时间戳，时间戳本身有噪声或缺失时，收益会打折。第三，把选择性放在对角矩阵上，状态维度之间依然没有耦合，表达力的上限仍待检验。第四，并行扫描内核是否能和 Mamba 的高度优化实现同样高效，需要工程验证。未来的方向包括与大规模语言模型做混合架构、多时间尺度建模，以及连续时间事件流。总体而言，TIDES 是一个小而清晰的结构修正，值得做不规则时间序列的团队认真试一试。