本文首先初步介绍了状态空间模型（SSM）的工作原理。然后，从多个方面回顾SSM的相关工作，包括SSM的起源和变化、自然语言处理、计算机视觉、图、多模态处理、多模态和多媒体、点云/事件流数据、时间序列数据等领域的相关工作。此外，作者在多个下游任务中进行了广泛的实验，以验证SSM的有效性。下游的任务包括单/多标签分类、视觉目标跟踪、像素级分割、图像到文本的生成和人/车辆的重识别。最后，提出了SSM的在

最全面的持续学习综述

大图生成”）的工作，都是先通过 Encoder 变换到 Latent 空间进行的（即 LDM，Latent Diffusion Model ），直接在原始 Pixel 空间训练的扩散模型，大多数分辨率都不超过 64x64，而恰好，LDM 通过 AutoEncoder 变换后的 Latent，大小通常也不超过 64x64。扩散模型是不是对于高分辨率生成存在固有困难？能否在 Pixel 空间直接生成高

在解决长尾数据难题时，采用传统的交叉熵学习目标开发了许多算法[10]，[11]，[12]，[13]。然而，最近的研究表明，监督对比学习(SCL)[14]可能是一个更合适的优化目标，就长尾分布的弹性而言[15]，[16]。准确地说，SCL故意将标签信息集成到对比损失函数的正对和负对的公式中。与自监督学习不同，自监督学习通过锚点的数据扩增产生正样本，SCL从与锚点相同的类别中构建正样本。值得注意的是，

本文系统评估了时间序列分类（TSC）算法在智能制造系统中的性能表现。研究选取36种主流机器学习与深度学习算法，在22个制造业数据集上进行实验对比。结果表明，传统ML算法DrCIF（97.9%精度）和DL算法ResNet（10次最优）表现最佳。针对不同场景，多变量任务推荐DrCIF，单变量任务推荐ResNet，实时系统推荐ARSENAL。研究发现传统ML算法仍具竞争力，无需盲目追求深度学习。研究为制

不确定性量化(UQ)在减少优化和决策过程中的不确定性方面起着关键作用，应用于解决各种现实世界的科学和工程应用。贝叶斯近似和集成学习技术是文献中使用最广泛的两种UQ方法。在这方面，研究人员提出了不同的UQ方法，并测试了它们在各种应用中的性能，如计算机视觉(如自动驾驶汽车和物体检测)、图像处理(如图像恢复)、医学图像分析(如医学图像分类和分割)、自然语言处理(如文本分类、社交媒体文本和惯犯风险评分)、

大数据，大模型，高算法的时代到来了，在本系列 Blog 里，主要介绍如何使用分布式机器学习算法（高性能集群）来训练拥有大规模参数的机器学习模型。分布式机器学习就是解决怎样协调和利用大量的 GPU 集群，来完成深度学习模型的训练和获取好的收敛，达到相对高的性能。分布式机器学习涉及如何分配训练任务，调配计算资源，协调各个功能模块，以达到训练速度与精度的平衡。

本文提出ReCast框架，针对传统时间序列预测方法在复杂局部模式建模和高计算成本方面的不足，通过分块量化和双路径架构实现轻量高效预测。核心创新是可靠性感知的码本增量更新策略，结合表征质量、历史一致性和OOD敏感性三个可靠性因子，采用分布鲁棒优化实现码本稳健更新。实验表明，ReCast在8个真实数据集上12项指标达到SOTA，仅需1M参数和25ms单轮训练，显著优于现有方法。

本文提出TS-RAG，一种基于检索增强生成的时间序列预测框架，通过预训练编码器从多领域知识库中检索相似历史模式，并利用自适应检索混合器动态融合检索信息，显著提升了零样本预测性能。实验表明，TS-RAG在7个基准数据集上平均降低3.54% MSE和1.43% MAE，最高提升6.84%，同时推理速度比同类方法快360倍。该框架不仅实现了SOTA性能，还通过检索证据提供了良好的可解释性，为时间序列基础

本文提出PIR框架，针对时间序列预测中的实例级变异问题（由分布偏移、缺失数据和长尾模式导致），通过模型无关的事后修正方法提升预测可靠性。PIR包含三个核心组件：基于不确定性估计的故障识别模块、利用局部上下文信息的修正模块和基于相似历史检索的全局修正模块。在12个真实数据集上的实验表明，PIR能平均降低MSE最高达25.87%，尤其对通道独立模型效果显著。该框架无需修改原模型结构，计算开销低，为提升