状態空間モデル（SSM）は近年、系列モデリングの有望な基盤として台頭しており、特にMambaベースのアーキテクチャは入力依存の状態遷移を通じて高い性能を示す一方で、計算コストも大幅に増加する。しかし、時系列分類（TSC）への応用は主にMambaスタイルのアーキテクチャに限られており、SSMの設計空間全体は十分に探求されていなかった。そこで、モナシュ大学などの研究者らは、対角SSM（S4D）と入力依存SSM（Mambaファミリー）を大規模TSCベンチマークで初めて系統的に比較し、TSCタスクにおいてそのような複雑さが本当に必要かどうかを問うた。
研究結果は驚くべきものだった。S4Dは精度と効率の両面でMambaベースの変種を一貫して上回り、複雑さの増大が性能向上に直結するという一般的な仮定を覆した。これに基づき、研究者らはS4Dへの軽量な修正としてMS4とMS4Nを提案した。MS4は線形入力投影とチャネル混合機構を導入し、MS4Nはさらに正規化を加えて状態ダイナミクスを安定化させるもので、追加のオーバーヘッドはごくわずかである。
検証は59のデータセットで行われ、MONSTERベンチマーク（最大6000万サンプル、5万タイムステップ、82クラス）とUEAベンチマークを含み、15のベースラインモデルと比較された。その結果、MS4とMS4NはMambaベースのモデルを性能で上回りながら、より高い効率を維持することが示された。特にMS4Nは、パラメータ数が約2分の1から10分の1の競合ディープラーニングモデルと同等以上の性能を達成した。
これらの結果は、軽量な構造化SSMがTSCにおける複雑さの拡大に代わる魅力的な選択肢であることを示している。この研究は、S4DのTSCタスクにおける可能性を明らかにするだけでなく、将来の効率的な系列モデル設計に重要な示唆を与えるものである。論文は「A Simple State Space Model Excels at Multivariate Time Series Classification」と題され、2026年5月7日にarXivに投稿された。著者はHassan Saadatmand、Geoffrey I. Webb、Hamid Rezatofighi、Mahsa Salehiである。