深度分析
Black-Mamba：事件觸發記憶更新機制提升非平穩時間序列預測適應性
本研究提出Black-Mamba架構，一種測試時自適應預測模型，透過事件觸發的記憶更新機制解決非平穩時間序列預測中的概念漂移問題。傳統方法依賴即時預測誤差更新模型，容易將隨機雜訊誤認為持久漂移，導致不必要的更新與效率低落。
深度分析
本研究提出Black-Mamba架構，一種測試時自適應預測模型，透過事件觸發的記憶更新機制解決非平穩時間序列預測中的概念漂移問題。傳統方法依賴即時預測誤差更新模型，容易將隨機雜訊誤認為持久漂移，導致不必要的更新與效率低落。
深度分析
以2008至2020年縱向Android資料為基礎，採用靜態與動態特徵並以FGSM與SPSA產生特徵空間對抗樣本，提出RobustDrop、ΔASR與AAF等時序指標，量化訓練與測試年份差距對乾淨與對抗準確率的影響，結果顯示時間分離會降低整體檢測穩健性，累積式重訓能部分緩解但無法完全恢復同年表現。