في خطوة ثورية نحو تحسين نماذج الحالة (State Space Models - SSMs)، تم اكتشاف أن إعادة استخدام الكتل بشكل متكرر عبر الطبقات، المعروف بالتكرار العمقي (Depth-Recurrence)، يمكن أن يسهم بشكل فعّال في تصنيف السلاسل الزمنية. وفقًا لدراسة جديدة، يتم المقارنة بين نموذج SSM مع معلمات متكررة «k» مكررة لعدد «L» من المرات، ونموذج SSM تقليدي يحتوي على معلمات مستقلة عدة تدعم نفس القيمة الكبيرة.

أظهرت النتائج من خلال أربعة أنواع من المعمارية (LRU، S5، LinOSS، LrcSSM) وستة اختبارات مختلفة لتصنيف السلاسل الزمنية أن النموذج الدوري يمكن أن يحقق أو يتفوق على النموذج التقليدي في الأداء، رغم أنه يعمل ضمن مساحة افتراضية أصغر. هذا الأداء البارز أكد على أهمية مشاركة المعاملات عبر العمق، كعامل مفيد يسهل عملية التحسين.

ليس هذا فحسب، بل كشفت الدراسة أيضًا عن أهمية إعادة تشكيل المدخلات. من خلال تجميع نقاط الزمن للمدخلات ذات الأبعاد المنخفضة، أو تسطيح وإعادة تشكيل الأبعاد المشتركة للميزات والوقت للمدخلات ذات الأبعاد العالية، تم تحقيق زيادات في الدقة تتراوح بين 1-6% عبر جميع النماذج، وهو ما تم تأكيده من خلال خمسة بذور عشوائية.

هذا البحث يعزز الفكرة القائلة بأن التكرار العمقي وإعادة تشكيل المدخلات هما محوران تصميميان مستقلان بحاجة إلى مزيد من الاستكشاف، يمكن أن يساهمان بشكل مستقل أو مشترك في تعزيز أداء نماذج الحالة في تحليل السلاسل الزمنية.