تُعتبر السلاسل الزمنية المتعددة الأبعاد (Multivariate Time Series) من الأدوات الحيوية في مختلف التطبيقات الواقعية، ولكن لا تزال هناك تحديات في التقاط الأنماط الهيكلية متعددة الدرجات والتخلص من الضجيج بطريقة فعالة. في هذا السياق، تم تقديم تقنية جديدة تدعى Multi-Scale Convolution مع النقل الأمثل (MSC-OT) في الدراسة الأخيرة.

تُعَد MSC-OT بنية مفيدة لتحسين آلية الانتباه (Attention Mechanism)، حيث تجمع بين التلافيف متعددة المقاييس (Multi-Scale Convolution) وطريقة النقل الأمثل عبر طريقة سينكهورن (Sinkhorn Optimal Transport) مع استخدام تقنية التضمين المعكوس (Inverted Embedding). هذه التقنية تُعزز قدرة النموذج على التقاط العلاقات بين المتغيرات بصورة أفضل.

يتألف MSC-OT من جزئين رئيسيين:
1. **تعزيز التلافيف متعددة المقاييس**: يقوم بتطبيق التلافيف متعددة المقاييس على مصفوفات درجات الانتباه استنادًا إلى التضمين المعكوس، مما يسهل التقاط الأنماط الهيكلية المحلية في فضاء تفاعلات المتغيرات.
2. **تنظيم النقل الأمثل عبر سينكهورن**: يُعَرِّف حساب الانتباه كمشكلة نقل مثالي ويستخدم عمليات تسوية مصفوفية تكرارية لضمان تدفق المعلومات المتوازن عبر المتغيرات.

تستفيد استراتيجية الدمج التكيفي من أوزان قابلة للتعلم لتجمع ديناميكيًا بين درجات الانتباه الأساسية، والتلافيف المعززة، ودرجات التنظيم من خلال النقل الأمثل. تشير التجارب على مجموعات بيانات معروفة مثل ETT و الكهرباء و الحركة المرورية و الطاقة الشمسية و أسعار الصرف إلى أن MSC-OT يحقق أداءً جيدًا في مهام التنبؤ على المدى القصير والطويل.

تضفي التجارب التخفيفية (Ablation Experiments) مزيدًا من التأكيد على فعالية كل مكون من المكونات المُقَدَّمة وساعدت على تحسين دقة التنبؤات في تحليل السلاسل الزمنية المتعددة الأبعاد.