این منبع به معرفی StoxLSTM می‌پردازد، یک شبکه حافظه طولانی کوتاه مدت گسترش‌یافته (xLSTM) که با متغیرهای پنهان تصادفی ترکیب شده است. هدف اصلی آن بهبود قابلیت پیش‌بینی سری‌های زمانی، به‌ویژه در داده‌های پیچیده و پرنویز، با وارد کردن مدل‌سازی فضای حالت به معماری xLSTM است. با مدل‌سازی پویایی‌های پنهان به‌عنوان یک فرآیند تصادفی، StoxLSTM توانایی بیشتری در درک الگوهای زمانی پیچیده و عدم قطعیت‌های ذاتی در داده‌ها نشان می‌دهد. نتایج تجربی گسترده‌ای که در چندین مجموعه داده استاندارد ارائه شده‌اند، نشان می‌دهند که StoxLSTM به‌طور مداوم از روش‌های پیشرفته قبلی پیشی می‌گیرد و استحکام و قابلیت تعمیم‌پذیری بهتری را در کارهای پیش‌بینی کوتاه‌مدت و بلندمدت ارائه می‌دهد :

https://arxiv.org/html/2509.01187v1

به زودی پادکست فارسی مصنوعی توضیحات این مقاله در این جا درج خواهد شد :