- CT 到 MRI 转换的软遮罩曼巴扩散模型
本研究旨在使用潜在扩散模型（Latent Diffusion Model）对 CT 进行 MRI 转换，并将常用的 U-Net 或 Transformer 骨干换成一种名为 Mamba 的状态空间模型。实验证明 DiffMa 在医学图像生成 - GMSR：基于梯度引导的 RGB 图像谱重建方法
我们提出了一种名为 GMSR-Net 的轻量级模型，它通过全局接受域和线性计算复杂性特点，使用了多个堆叠的梯度 Mamba 块进行光谱重建，同时在空间和光谱提示上引入了新颖的梯度关注机制。与现有方法相比，GMSR-Net 大幅减少了参数和计 - 无状态推断的状态空间模型：传递函数方法
我们通过它的对偶表示 - 传递函数，设计了一种适用于深度学习应用的状态空间模型，并揭示了一种高度有效的序列并行推理算法，该算法是无状态的，与状态大小的增加相比，不会产生任何显著的内存和计算开销。
- MambaUIE&SR: 揭示海洋的秘密仅需 2.8 FLOPs
通过使用基于状态空间模型的 MambaUIE 方法，可以高效地合成全局和局部信息，仅具有少量参数，并提高准确性。
- SPMamba：语音分离中你所需的全部是状态空间模型
本文以状态空间模型为基础，提出了一种用于语音分离的网络架构，即 SPMamba。通过将 TF-GridNet 模型的 Transformer 组件替换为双向 Mamba 模块，旨在捕捉更广泛的上下文信息。实验结果表明，基于 Mamba 的模 - ZigMa: 蜿蜒进化扩散模型
应用 Mamba 的 State-Space 模型，通过引入一种名为 Zigzag Mamba 的方法来解决视觉数据生成中的缺陷，提升了速度和内存利用率，并将其与 Stochastic Interpolant 框架相结合以研究模型在大分辨率 - 时间机器：长期预测的时间序列价值等于 4 条眼镜蛇
TimeMachine 是一种创新的模型，利用 Mamba 作为状态空间模型来捕捉多变量时间序列数据中的长期依赖关系，同时具有线性可扩展性和小内存占用。TimeMachine 利用时间序列数据的独特属性，在多个尺度上生成显著的上下文提示，并 - 马尔可夫方差转换的自适应时间序列预测
基于在线学习理论，我们提出了一种新的估计方差的方法，可以适应时间变化。我们将提出的方法应用于合成数据和电力负荷预测问题，结果表明该方法对误差设定具有鲁棒性，并且优于传统的专家聚合方法。
- 连续时间深度神经网络的状态导数归一化
深度神经网络中数据规范化、状态空间模型估计以及归一化常数是彼此关联的，并通过引入状态导数层面的归一化常数来解决这三个规范化挑战，在一个以实验数据为基础的基准问题上与其他鉴定方法比较和讨论了所有规范化策略。
- 深度状态空间建模：用于可解释的专业人体姿势表达、分析和生成
通过引入三种新方法，我们将全身运动形式化为动态系统的状态空间模型，利用深度学习和统计算法估计参数。这些表示遵循手势操作模型（GOM）的结构，描述了通过时空假设的运动。这些方法用于人类运动的精确生成和专业运动的身体灵活性分析。
- 液体结构状态空间模型
本文介绍了一种新的状态空间结构 Liquid-S4 ，它可以通过对状态转移矩阵的对角线及低秩分解进一步提高序列建模任务的表现，达到了 Long-Range Arena 基准测试的最新水平，并在 Speech Command 识别数据集上实现 - 学习降维非线性状态空间模型：一种基于输出误差的规范方法
本文提出了一种依赖于稀疏测量数据的深度学习方法，可以对非线性系统动力学行为进行建模和状态估计，并在多个测试数据集上验证了其有效性。
- ICML基于粒子流的循环神经网络用于概率时空预测
采用基于粒子流的贝叶斯推理方法，通过状态空间模型实现时间序列预测以及不确定性分析，比当前点预测方法提供更好的不确定性特征与相似的预测准确性。
- 面向结构化物体感知的视频建模和规划中的物理预测
本文提出了一种名为 STOVE 的新颖状态空间模型，用于从视频数据中无监督地学习物体、位置、速度和相互作用模型，以及在模型为基础的控制任务中作为模拟器的优异性能，其中模型在推断过程中重用了动态模型，加速和规范了训练过程。
- 状态空间模型下的非平稳环境因果发现与预测
本研究针对非平稳时间序列的因果关系发现和预测问题，提出了一种基于状态空间模型的方法，利用非平稳的性质来确定因果结构，将预测问题视为因果模型的贝叶斯推断问题，并在合成数据和真实数据集上进行了实验验证。
- 动态随机块模型用于时间演化社交网络
本文提出了一个状态空间模型，将静态网络的随机块模型扩展到动态网络的建模中，并使用扩展卡尔曼滤波器配合局部搜索来拟合模型，实验表明此算法与使用马尔可夫蒙特卡罗抽样的最先进算法相竞争，但计算代价显著降低。
- 基于核蒙特卡洛滤波器的状态 - 观测示例过滤
本文提出了 Kernel Monte-Carlo Filter 方法，其中状态变量及观测值的关系仅通过若干组已知的观测值得知，该方法基于核平均嵌入的框架，通过简单有效的样本加权，样本采样，样本重采样等操作实现对状态量的准确后验推断，此方法在 - SMC^2: 一种用于状态空间模型顺序分析的高效算法
本文提出了一种应用于状态空间模型的序贝叶斯推断算法 ——SMC^2 算法，它将粒子滤波器和粒子马尔可夫链蒙特卡洛方法相结合，在 θ 维度上进行粒子重要性采样，并通过重新采样步骤和 MCMC 更新步骤来更新粒子，从而解决了状态空间内，用常规方 - 排列的方向性统计学
提出一种在超球面上嵌入全排列的方法，从而可以定义连续方向概率分布以及派生排列的密度，运用该方法实现了一个排列状态空间模型的推理过程并进行了相关应用。