🤖 machine learning

SPDM: Geometry-Modulated State Space Modeling with Manifold Constraints for Time Series Forecasting

यह शोधपत्र SPDM को प्रस्तुत करता है, जो एक नवीन स्टेट-स्पेस मॉडल है जो मैनिफोल्ड बाधाओं (manifold constraints) को शामिल करके बहुभिन्नरूपी समय श्रृंखला पूर्वानुमान (multivariate time series forecasting) को बढ़ाता है, ताकि विकसित होती क्रॉस-वेरिएबल सहसंबंधों को एक सिमेट्रिक पॉजिटिव डेफिनिट मैनिफोल्ड पर निरंतर प्रक्षेप पथों (continuous trajectories) के रूप में माना जा सके, जिससे रैखिक-समय कम्प्यूटेशनल दक्षता बनाए रखते हुए ज्यामितिक रेगुलराइजर्स के साथ चयनात्मक स्कैनिंग गतिकी (selective scanning dynamics) को निर्देशित किया जा सके और अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।

मूल लेखक: Xingsheng Chen, Siu-Ming Yiu

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xingsheng Chen, Siu-Ming Yiu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप मौसम, ट्रैफ़िक या बिजली की खपत की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास अलग-अलग सेंसर (चरों/variables) का एक समूह है जो आपस में बात कर रहे हैं। समस्या यह है कि जिस तरह से ये सेंसर एक-दूसरे को प्रभावित करते हैं, वह स्थिर नहीं है; यह लगातार बदलता रहता है। कभी-कभी वे पूरी तरह से तालमेल में चलते हैं, कभी-कभी वे अलग हो जाते हैं, और कभी-कभी वे अचानक एक बिल्कुल नए पैटर्न में बदल जाते हैं।

अधिकांश वर्तमान AI मॉडल इन सेंसरों को स्वतंत्र वस्तुओं की एक सूची की तरह देखते हैं या उन्हें एक "बड़ी तस्वीर" के लेंस से देखते हैं जो उनके बीच के सूक्ष्म, निरंतर नृत्य को समझने में विफल रहता है। वे अक्सर इस तथ्य को नजरअंदाज कर देते हैं कि सेंसरों के बीच का संबंध एक सहज, बहती हुई वक्र रेखा (curve) है, न कि असंबद्ध स्नैपशॉट की एक श्रृंखला।

SPDM एक नया AI मॉडल है जिसे इसे ठीक करने के लिए डिज़ाइन किया गया है। यह इन संबंधों को एक घुमावदार मानचित्र पर एक यात्रा की तरह मानता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. मूल विचार: "घुमावदार मानचित्र" (Manifold)

कल्पना कीजिए कि आपके सभी सेंसरों (जैसे तापमान, हवा की गति और आर्द्रता) के बीच के संबंध को एक विशेष, घुमावदार मानचित्र के रूप में देखें जिसे मैनिफोल्ड (Manifold) कहा जाता है।

पुराना तरीका: अधिकांश मॉडल इस मानचित्र को देखते हैं और कहते हैं, "ठीक है, बिंदु अभी यहाँ है, और बाद में वहाँ है।" वे बिंदुओं के बीच के बदलाव को अचानक टेलीपोर्टेशन (एक जगह से दूसरी जगह कूदना) की तरह मानते हैं।
SPDM का तरीका: SPDM महसूस करता है कि संबंध टेलीपोर्ट नहीं होता; यह इस घुमावदार मानचित्र पर एक पथ के साथ सुचारू रूप से फिसलता है। यह बदलते हुए संबंधों को एक सतत प्रक्षेपवक्र (continuous trajectory) (मानचित्र पर खींची गई एक चिकनी रेखा) के रूप में मानता है।

2. दो-पथ प्रणाली (The Two-Path System)

SPDM डेटा को प्रोसेस करने के लिए एक चतुर दो-लेन हाईवे सिस्टम का उपयोग करता है:

लेन A (ज्यामिति नेविगेटर - Geometry Navigator): यह लेन कच्चे नंबरों (जैसे "यह 20 डिग्री है") को नहीं देखती है। इसके बजाय, यह संबंधों के आकार को देखती है।
- यह इस बात का स्नैपशॉट लेती है कि अभी सभी सेंसर कैसे जुड़े हुए हैं।
- यह एक चिकनी रेखा (प्रक्षेपवक्र) खींचती है जो दिखाती है कि ये संबंध समय के साथ कैसे विकसित हो रहे हैं।
- कंप्यूटर के लिए इसे समझना आसान बनाने के लिए, यह इस घुमावदार मानचित्र को एक सपाट, सीधी सतह पर प्रोजेक्ट करती है (जिसे टैंजेंट स्पेस - Tangent Space कहा जाता है)। इसे इस तरह समझें जैसे एक घुमावदार ग्लोब को कागज के टुकड़े पर समतल करना ताकि आप उस पर एक सीधी रेखा खींच सकें।
- यह "नेविगेटर" फिर एक संकेत भेजता है: "हे, संबंध इस विशिष्ट दिशा में बदल रहे हैं!"
लेन B (मुख्य चालक - Main Driver): यह मुख्य इंजन है जो वास्तव में भविष्यवाणी करता है। यह एक बहुत ही तेज़, कुशल इंजन है जिसे मामबा (Mamba) (एक प्रकार का स्टेट स्पेस मॉडल) कहा जाता है।
- सामान्यतः, यह इंजन डेटा को रैखिक रूप से स्कैन करता है, जैसे किताब को बाएं से दाएं पढ़ना।
- जादू: SPDM "ज्यामिति नेविगेटर" (लेन A) से प्राप्त संकेत को सीधे इंजन के स्टीयरिंग व्हील में इंजेक्ट करता है।
- केवल डेटा को स्कैन करने के बजाय, अब इंजन जानता है कि संबंध कैसे बदल रहे हैं। यदि सेंसर अचानक अधिक अराजक (chaotic) हो रहे हैं, तो इंजन अपनी पकड़ मजबूत कर लेता है। यदि वे स्थिर हो रहे हैं, तो वह ढीली कर देता है। यह इंजन को "ज्यामिति-जागरूक" (geometry-aware) बनाता है।

3. यह क्यों मायने रखता है (लाभ)

पेपर का दावा है कि यह दृष्टिकोण तीन महाशक्तियाँ प्रदान करता है:

यह "बड़ी तस्वीर" के बदलावों को देखता है: क्योंकि यह संबंधों के सुचारू वक्र को ट्रैक करता है, यह बहुत तेज़ी से पहचान सकता है कि पूरा सिस्टम कब एक नए "रेजीम" (जैसे ट्रैफ़िक का अचानक जाम होना या तूफान का आना) में बदल रहा है।
यह शोर (Noise) को अनदेखा करता है: वास्तविक दुनिया का डेटा अव्यवस्थित होता है। इसमें रैंडम स्पाइक्स या गड़बड़ियाँ होती हैं। चूंकि SPDM संबंधों के आकार को देखता है (जो कि सुचारू होता है), यह स्वाभाविक रूप से रैंडम "स्टैटिक" या शोर को फ़िल्टर कर देता है, जो डेटा के लिए नॉइज़-कैंसलिंग हेडफ़ोन की तरह काम करता है।
यह सुपर फास्ट है: जटिल ज्यामिति करने के बावजूद, यह धीमा नहीं होता है। यह मूल मामबा इंजन की गति बनाए रखता है, जिसका अर्थ है कि यह बिना अटके भारी मात्रा में डेटा को संभाल सकता है।

4. परिणाम

लेखकों ने बिजली ग्रिड, मौसम केंद्रों और ट्रैफ़िक सेंसर सहित 11 विभिन्न वास्तविक दुनिया के डेटासेट पर इसका परीक्षण किया।

प्रदर्शन: SPDM ने लगातार मौजूदा सर्वश्रेष्ठ मॉडलों (जैसे ट्रांसफॉर्मर और अन्य मामबा वेरिएंट) को सटीकता में पछाड़ दिया।
दक्षता: इसने यह सब कम कंप्यूटर मेमोरी और कम प्रशिक्षण समय का उपयोग करके किया।
मजबूती (Robustness): जब उन्होंने डेटा को टेस्ट करने के लिए इसमें नकली "शोर" (रैंडम त्रुटियां) जोड़ा, तब भी SPDM अच्छी तरह से काम करता रहा, जबकि अन्य मॉडल विफल होने लगे।

सारांश उपमा (Summary Analogy)

भविष्य की भविष्यवाणी करने को एक धुंधली, घुमावदार पहाड़ी सड़क पर कार चलाने के रूप में सोचें।

पुराने मॉडल उस ड्राइवर की तरह हैं जो केवल बम्पर के ठीक सामने की सड़क को देखते हैं। वे हर झटके पर प्रतिक्रिया करते हैं और यदि सड़क अचानक मुड़ जाती है तो भटक सकते हैं।
SPDM उस ड्राइवर की तरह है जिसके पास एक GPS है जो आगे की सड़क का पूरा आकार दिखाता है। वह जानता है कि सड़क बाईं ओर मुड़ रही है, इसलिए वह मोड़ आने से पहले ही सुचारू रूप से मुड़ जाता है। वह गड्ढों (शोर) को अनदेखा करता है क्योंकि उसका ध्यान सड़क के सुचारू पथ (ज्यामिति) पर केंद्रित है।

पेपर यह निष्कर्ष निकालता है कि चरों के बीच बातचीत के "आकार" को समझकर, हम ऐसे AI बना सकते हैं जो न केवल स्मार्ट और अधिक सटीक है, बल्कि वास्तविक दुनिया की अव्यवस्था के प्रति अधिक लचीला भी है।

तकनीकी सारांश: SPDM – मैनिफोल्ड बाधाओं के साथ ज्योमेट्री-मॉड्यूलेटेड स्टेट स्पेस मॉडलिंग

1. समस्या विवरण

मल्टीवेरिएट टाइम सीरीज़ फोरकास्टिंग (बहुचर समय श्रृंखला पूर्वानुमान) एक मौलिक चुनौती का सामना करती है: परस्पर क्रिया करने वाले चरों के बीच निरंतर विकसित होने वाली सहसंबंध संरचनाओं (correlation structures) को पकड़ना। ट्रांसफॉर्मर और माम्बा (Mamba) जैसे मानक स्टेट-स्पेस मॉडल्स (SSMs) सहित मौजूदा न्यूरल सीक्वेंस आर्किटेक्चर, मुख्य रूप से इंटर-चैनल संबंधों को स्थिर मानते हैं या उनकी ज्यामितीय निरंतरता (geometric continuity) को त्याग देते हैं।

ट्रांसफॉर्मर सेल्फ-अटेंशन मैकेनिज्म पर निर्भर करते हैं जो द्विघाती कम्प्यूटेशनल जटिलता ( $O(L^2)$ ) उत्पन्न करते हैं और टेम्पोरल डायमेंशन के साथ सहसंबंध संरचनाओं को निरंतर प्रसारित करने में संघर्ष करते हैं।
मानक SSMs (जैसे माम्बा) रैखिक जटिलता (linear complexity) प्राप्त करते हैं लेकिन आमतौर पर मल्टीवेरिएट इंटरैक्शन को फ्लैट सीक्वेंस या स्टैटिक ग्राफ के रूप में मॉडल करते हैं, जिससे विकसित होते कोवेरिएंस मैट्रिसेस (covariance matrices) के अंतर्निहित ज्यामितीय गुणों को समझने में विफलता होती है।
मौजूदा ज्यामितीय विधियाँ अक्सर स्थिर ज्यामितीय प्रायर (static geometric priors) पर निर्भर करती हैं या ज्यामितीय रूपांतरणों को सहायक तंत्र के रूप में लागू करती हैं, न कि सहसंबंध संरचना को एक सिद्धांतवादी ज्यामितीय मैनिफोल्ड पर निरंतर प्रक्षेपवक्र (continuous trajectory) के रूप में मॉडल करने के लिए।

मूल समस्या एक ऐसे आर्किटेक्चर के अभाव की है जो SSMs की कम्प्यूटेशनल दक्षता को बनाए रखते हुए विकसित होने वाली क्रॉस-वेरिएबल सहसंबंध संरचना को एक निरंतर ज्यामितीय प्रक्षेपवक्र के रूप में स्पष्ट रूप से मॉडल कर सके।

2. कार्यप्रणाली: SPDM आर्किटेक्चर

लेखक SPDM (मैनिफोल्ड बाधाओं के साथ ज्योमेट्री-मॉड्यूलेटेड स्टेट स्पेस मॉडलिंग) का प्रस्ताव करते हैं, जो एक ऐसा आर्किटेक्चर है जो विकसित होने वाली क्रॉस-वेरिएबल सहसंबंध संरचना को सिमेट्रिक पॉजिटिव डेफिनिट (SPD) मैनिफोल्ड ( $\mathcal{P}_N$ ) पर एक निरंतर प्रक्षेपवक्र के रूप में मानता है। यह मॉडल मैनिफोल्ड-कंस्ट्रेंड स्टेट-स्पेस डायनेमिक्स को साकार करने के लिए दो सहयोगी पथों को एकीकृत करता है।

पथ A: SPD मैनिफोल्ड प्रक्षेपवक्र पथ

यह पथ सहसंबंधों के ज्यामितीय विकास का निर्माण और प्रसंस्करण करता है:

डायनेमिक कोवेरिएंस कंस्ट्रक्शन: इनपुट सीक्वेंस को ओवरलैपिंग स्लाइडिंग विंडोज़ में अनफोल्ड किया जाता है। प्रत्येक विंडो के लिए, एक सैंपल कोवेरिएंस मैट्रिक्स $\Sigma_t$ की गणना की जाती है, जो $\mathcal{P}_N$ पर एक डिस्क्रीट प्रक्षेपवपथ (trajectory) को ट्रैक करती है।
टैंजेंट स्पेस प्रोजेक्शन: मानक न्यूरल ब्लॉक्स द्वारा कुशल प्रसंस्करण को सक्षम करने के लिए, प्रक्षेपवक्र को एक यूक्लिडियन टैंजेंट स्पेस में प्रोजेक्ट किया जाता है।
- एक संदर्भ बिंदु को लॉग-यूक्लिडियन फ्रेचेट मीन ( $\bar{\Sigma}$ ) का उपयोग करके स्थापित किया जाता है, जो मैनिफोल्ड की घुमावदार ज्यामिति का सम्मान करता है।
- प्रत्येक कोवेरिएंस मैट्रिक्स को लॉगरिदमिक मैप के माध्यम से टैंजेंट स्पेस $T_{\bar{\Sigma}}\mathcal{P}_N$ में प्रोजेक्ट किया जाता है: $V_t = \log_{\bar{\Sigma}}(\Sigma_t)$ ।
- परिणामी सिमेट्रिक मैट्रिसेस को अपर-ट्राइएंगुलर वेक्टर्स में फ्लैट किया जाता है।
जियोमेट्री माम्बा: एक समर्पित माम्बा मॉड्यूल ज्यामितीय प्रक्षेपवक्र की टेम्पोरल डायनेमिक्स को कैप्चर करने के लिए टैंजेंट वेक्टर्स के सीक्वेंस को प्रोसेस करता है, जिससे मॉड्यूलेशन पैरामीटर्स ( $\mathbf{h}_{geo}$ ) उत्पन्न होते हैं।
स्पार्स विंडो एलाइनमेंट: विंडो-लेवल ज्यामितीय फीचर्स और वेरिएबल-लेवल टोकन के बीच ग्रैनुलैरिटी गैप को पाटने के लिए एक स्पार्स एलाइनमेंट रणनीति का उपयोग किया जाता है। ज्यामितीय संकेतों को केवल विशिष्ट टाइम स्टेप्स पर इंजेक्ट किया जाता है जो विंडो सेंटर्स के अनुरूप होते हैं, जिससे लीनियर इंटरपोलेशन के कारण होने वाले सूचना प्रसार (information smearing) से बचा जा सके।

पथ B: मॉड्यूलेटेड माम्बा एनकोडर

यह पथ कच्चे टाइम सीरीज़ को प्रोसेस करता है जबकि पथ A से प्राप्त ज्यामितीय संकेतों द्वारा निर्देशित होता है:

इनवर्टेड एम्बेडिंग: चरों (variables) को टोकन के रूप में माना जाता है, और सीक्वेंस को इस तरह ट्रांसपोज़ किया जाता है कि माम्बा टाइम स्टेप्स के बजाय वेरिएबल्स के माध्यम से स्कैन करता है।
जियोमेट्री-मॉड्यूलेटेड माम्बा: मुख्य नवाचार माम्बा VC (वेरिएबल चैनल) एनकोडर के सिलेक्टिव स्टेट-स्पेस पैरामीटर्स ( $\mathbf{B}$ $B$ और $\mathbf{C}$ $C$ ) में सीधे ज्यामितीय संकेतों को इंजेक्ट करना है।
- ज्यामिति को एक बाहरी कंडीशनिंग सिग्नल के रूप में मानने के बजाय, मॉडल आंतरिक SSM पैरामीट्राइजेशन को इंटरसेप्ट करता है।
- ज्यामितीय संकेतों को प्रोजेक्ट किया जाता है और $\mathbf{B}$ और $\mathbf{C}$ में एडिटिवली इंजेक्ट किया जाता है: $\mathbf{B} = \mathbf{B}_{base} + \mathbf{W}_{geo}^B(\Delta_{geo})$ और $\mathbf{C} = \mathbf{C}_{base} + \mathbf{W}_{geo}^C(\Delta_{geo})$ ।
- यह तंत्र SSM के इनपुट-टू-स्टेट और स्टेट-टू-आउटपुट पाथवे को अंतर्निहित सहसंबंध टोपोलॉजी में होने वाले परिवर्तनों के प्रति अनुकूल रूप से प्रतिक्रिया करने की अनुमति देता है।

जटिलता और दक्षता

यह आर्किटेक्चर माम्बा पैरेलल स्कैन की रैखिक समय जटिलता ( $O(L)$ ) को सुरक्षित रखता है। हालांकि पथ A में आइजनडिकंपोजिशन ( $O(N^3)$ ) शामिल है, लेखक उच्च-आयामी डेटासेट के लिए लो-रैंक प्रोजेक्शन का उपयोग करते हैं ताकि इसे $O(R^3)$ तक कम किया जा सके, जिससे स्केलेबिलिटी सुनिश्चित होती है। कुल जटिलता सीक्वेंस की लंबाई और वेरिएबल की संख्या के संबंध में रैखिक बनी रहती है।

3. प्रमुख योगदान

पेपर तीन प्राथमिक योगदानों को रेखांकित करता है:

मैनिफोल्ड-कंस्ट्रेंड स्टेट-स्पेस डायनेमिक्स का सिद्धांत: लेखक प्रदर्शित करते हैं कि विकसित होते क्रॉस-वेरिएबल सहसंबंधों को SPD मैनिफोल्ड पर निरंतर रीमानियन प्रक्षेपवक्र के रूप में मानना, SSM-आधारित फोरकास्टिंग के लिए प्रभावी ज्यामितीय रेगुलराइजेशन प्रदान करता है।
SPDM आर्किटेक्चर: एक ज्योमेट्री-अवेयर SSM जो SPD मैनिफोल्ड के टैंजेंट स्पेस में SPD मैनिफोल्ड प्रक्षेपवपथ को स्कैन करके और ज्यामितीय गेटिंग के माध्यम से माम्बा के सिलेक्टिव पैरामीटर्स को सीधे मॉड्यूलेट करके इस सिद्धांत को साकार करता है। यह बाहरी कंडीशनिंग या रैखिक जटिलता का त्याग किए बिना अंतर्निहित ज्यामितीय जागरूकता प्राप्त करता है।
अनुभवजन्य सत्यापन (Empirical Validation): ग्यारह वास्तविक दुनिया के बेंचमार्क डेटासेट्स पर व्यापक प्रयोग पुष्टि करते हैं कि मैनिफोल्ड-कंस्ट्रेंड डायनेमिक्स ही मॉडल के प्रदर्शन के पीछे का प्रमुख कारक है, न कि अलग-थलग आर्किटेक्चरल घटक।

4. प्रयोगात्मक परिणाम

लेखकों ने विविध डोमेन, वेरिएबल काउंट (7 से 883), और टेम्पोरल ग्रैनुलैरिटी वाले ग्यारह डेटासेट्स (ETTh1/2, ETTm1/2, ECL, Exchange, Weather, PEMS03/07/08, और Illness सहित) पर SPDM का मूल्यांकन किया।

फोरकास्टिंग सटीकता: SPDM ने सभी क्षेत्रों में SOTA या Near-SOTA प्रदर्शन हासिल किया। इसने ETTh1, ETTh2, Weather, और Illness पर सर्वश्रेष्ठ औसत MSE/MAE प्राप्त किया। ECL (321 वेरिएबल्स) और PEMS बेंचमार्क जैसे उच्च-आयामी डेटासेट्स पर, SPDM ने S-Mamba, iTransformer, और PatchTST जैसे मजबूत बेसलाइन्स को लगातार पछाड़ दिया, विशेष रूप से जटिल इंटर-वेरिएबल डायनेमिक्स को कैप्चर करने में।
एब्लेशन स्टडीज (Ablation Studies):
- जियोमेट्रिक इंजेक्शन: $\mathbf{B}$ और $\mathbf{C}$ में ज्यामितीय संकेतों के इंजेक्शन को हटाने से प्रदर्शन में महत्वपूर्ण गिरावट आई, विशेष रूप से उच्च-आयामी डेटासेट्स पर (जैसे ECL पर 12.6% MSE वृद्धि), जो डायरेक्ट पैरामीटर मॉड्यूलेशन की आवश्यकता को प्रमाणित करता है।
- एलाइनमेंट रणनीति: प्रस्तावित स्पार्स विंडो एलाइनमेंट ने लीनियर इंटरपोलेशन से बेहतर प्रदर्शन किया, जिससे पुष्टि हुई कि कोवेरिएंस विंडोज़ के मूल टेम्पोरल रेजोल्यूशन को बनाए रखना महत्वपूर्ण है।
- रेगुलराइजेशन: स्पष्ट जियोडेसिक स्मूथनेस रेगुलराइजेशन को अनावश्यक पाया गया, क्योंकि लॉग-यूक्लिडियन फ्रेचेट मीन और टैंजेंट प्रोजेक्शन स्वाभाविक रूप से पर्याप्त ज्यामितीय स्मूथनेस लागू करते हैं।
दक्षता: SPDM ने ट्रांसफॉर्मर-आधारित और पैचिंग-आधारित मॉडल्स की तुलना में बेहतर ट्रेनिंग स्पीड और मेमोरी एफिशिएंसी प्रदर्शित की, प्रतिस्पर्धी सटीकता प्राप्त करते हुए कम GPU मेमोरी उपयोग बनाए रखा।
मजबूती (Robustness): मॉडल ने गाऊसी शोर (Gaussian noise) के प्रति उच्च लचीलापन दिखाया, मजबूत गड़बड़ी ( $\sigma=0.5$ ) के तहत भी कार्यात्मक सटीकता बनाए रखी, जिसका श्रेय मैनिफोल्ड प्रोजेक्शन के ज्यामितीय रेगुलराइजिंग प्रभाव को दिया गया।
लॉन्ग-रेंज मॉडलिंग: उन बेसलाइन्स के विपरीत जो बढ़ते लुकबैक विंडोज़ के साथ प्रदर्शन संतृप्ति या गिरावट से जूझते हैं, SPDM ने लुकबैक लेंथ बढ़ने के साथ एरर में एक सहज, मोनोटोनिक कमी प्रदर्शित की।

5. महत्व और दावे

पेपर का दावा है कि SPDM स्टेट-स्पेस आर्किटेक्चर के भीतर मैनिफोल्ड-कंस्ट्रेंड न्यूरल डायनेमिक्स के लिए एक मौलिक प्रतिमान (paradigm) स्थापित करता है। इसका महत्व निम्नलिखित में निहित है:

ज्यामिति और दक्षता को जोड़ना: यह सफलतापूर्वक रीमानियन ज्योमेट्री (विशेष रूप से SPD मैनिफोल्ड बाधाओं) को माम्बा की रैखिक-समय दक्षता के साथ एकीकृत करता है, जो ज्यामितीय निष्ठा (fidelity) और कम्प्यूटेशनल स्केलेबिलिटी के बीच के ट्रेड-ऑफ को दूर करता है।
सिद्धांतवादी रेगुलराइजेशन: यह कार्य तर्क देता है कि ज्यामितीय बाधाएं एक सिद्धांतवादी रेगुलराइज़र के रूप में कार्य करती हैं जो SSM के सिलेक्टिव स्कैनिंग डायनेमिक्स को निर्देशित और स्थिर करती हैं, जिससे मॉडल को वास्तविक संरचनात्मक शासन परिवर्तन (regime shifts) और स्टोकेस्टिक शोर के बीच अंतर करने में मदद मिलती है।
आर्किटेक्चरल हस्तक्षेप: SSM पैरामीट्राइजेशन स्तर पर हस्तक्षेप करके ( $\mathbf{B}$ और $\mathbf{C}$ को मॉड्यूलेट करके), SPDM ज्यामिति को सीक्वेंस मॉडलिंग प्रक्रिया के एक रचनात्मक घटक के रूप में बनाता है, न कि केवल एक सहायक भाग के रूप में।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण संरचित नॉन-यूक्लिडियन रिप्रेजेंटेशन पर ज्यामितीय डीप लर्निंग के लिए नए मार्ग खोलता है, जिसमें अनियमित रूप से नमूने लिए गए सिग्नल्स को हैंडल करना और उच्च-क्रम उत्पाद मैनिफोल्ड्स का लाभ उठाना शामिल भविष्य के विस्तार हो सकते हैं।