Knowledge Aware State-Space Capsule Network for Multivariate Time Series Classification

doi:10.1109/TKDE.2026.3692700

Knowledge Aware State-Space Capsule Network for Multivariate Time Series Classification

2026-05-12

0

PRE

AI

DOI：10.1109/TKDE.2026.3692700

原文链接

原文求助

摘要

En 中文

多变量时间序列分类（MTSC）需要同时建模局部时间模式、长距离依赖关系和复杂的变量间关系。然而，现有的卷积胶囊模型受限于感受野大小，而基于Transformer的变体在长序列中难以保持局部结构。为克服这些限制，我们提出KACapMamba，一种知识感知状态空间胶囊网络，通过整合三个注意力Mamba块与路由层实现分层时间建模。与主要依赖自注意力进行全局依赖建模的传统Transformer方法不同，KACapMamba中的每个注意力Mamba块融合了1维卷积神经网络（CNN）、自注意力、状态空间模块（SSM）和互交叉注意力，实现更结构化且自适应的特征表示。自注意力确保有效的长距离依赖建模，而SSM提供循环状态机制，相较于纯注意力架构更适于序列处理，从而增强时间连续性和长期模式保持。值得注意的是，互交叉注意力解决了传统融合策略（如元素级加法或乘法）的局限性，后者缺乏选择性增强相关特征的能力。通过动态重加权特征间交互，互交叉注意力实现更具表现力、语境感知的表示，促进特征解耦和变量间建模。此外，路由层通过优化胶囊激活进一步强化分层特征解耦，增强结构一致性和特征选择性。在UEA基准库上的实验表明，KACapMamba在与10种领先Transformer和Mamba架构对比时，在Accuracy和F₁指标下均取得最高的“胜/平/负/最优”比率。此外，与22种最先进的MTSC模型相比，其性能表现最优。

Keyword:

Capsule

data mining

multivariate time series classification

transformer

state-space model

Knowledge Aware State-Space Capsule Network for Multivariate Time Series Classification

摘要

期刊

机构

引用论文