WaveSSM: Neue Wavelet-basierte Zustandsmodelle verbessern Signalverarbeitung

State‑Space‑Modelle (SSMs) haben sich als leistungsstarke Grundlage für die Modellierung von langen Sequenzen etabliert. Durch das HiPPO‑Framework wurde gezeigt, dass kontinuierliche Zeit‑Projektionsoperatoren stabile, speichereffiziente dynamische Systeme erzeugen, die die gesamte Vorgeschichte eines Eingangssignals kompakt kodieren.

Allerdings basieren die bisherigen projektionsbasierten SSMs häufig auf Polynombasen mit globalem zeitlichem Support. Diese Induktionsvoraussetzungen passen schlecht zu Signalen, die lokale oder transiente Strukturen aufweisen. Mit WaveSSM wird dieses Problem gelöst: Die Modelle werden über Wavelet‑Rahmen konstruiert, die eine lokal begrenzte Unterstützung entlang der Zeitachse bieten und damit eine präzise Lokalisierung von Signalereignissen ermöglichen.

In experimentellen Tests übertrifft WaveSSM seine orthogonalen Gegenstücke – darunter das bekannte S4‑Modell – unter gleichen Bedingungen. Besonders bei realen Datensätzen mit transienten Dynamiken, wie physiologischen Signalen aus dem PTB‑XL‑Korpus und rohem Audio aus Speech Commands, zeigen sich signifikante Leistungssteigerungen.