Mamba在时间序列预测中的创新应用（2024最新研究综述） 近期11篇高质量研究证实，Mamba在时间序列预测领域展现出显著优势。与Transformer相比，其线性计算复杂度大幅提升效率，同时通过模块化设计简化架构。核心创新包括：1）Bi-Mamba+通过双向编码器和遗忘门增强历史信息保留；2）CMamba引入通道混合机制提升多变量建模能力；3）MambaStock利用选择机制精准预测股价变动

**摘要：**SHAP可解释性方法正成为机器学习研究热点，在医疗、金融、教育等领域展现出重要价值。近期多篇顶刊研究（如Nature）应用SHAP方法提升模型透明度和可信度，例如：1）XGBoost结合SHAP实现风电功率高精度预测（R²=0.9994）；2）ICU死亡率预测中SHAP揭示血尿素氮的关键影响（AUC=0.824）；3）CatBoost+SHAP构建可解释辍学干预系统；4）肾移植预后预

即插即用多尺度融合模块在计算机视觉任务中展现出显著优势，能够有效处理图像中不同尺寸和形态的目标。这些模块通过提取和融合多尺度特征，增强模型对复杂场景的理解能力，且无需修改现有深度学习模型，便于快速应用。本文介绍了四种最新的多尺度融合模块：Scale-Aware Modulation与Transformer结合、基于多尺度特征融合的源相机识别算法、面向Transformer基目标检测器的多尺度特征高

【光学神经网络训练方法新突破】清华大学团队在《Nature》发表创新成果，提出全前向模式（FFM）训练方法，突破传统数字模拟限制。该方法直接在物理光学系统中执行训练，解决了反向传播算法无法应用的问题，实现数百万参数深度网络的训练，并在散射成像、非视距成像等场景取得突破性进展，达到亚光子级能效（5.4×10¹⁸次操作/秒）。研究团队还开源了4种前沿光学神经网络方案，包括： Netcast架构：实现8