Unlocking the Power of LSTM for Long Term Time Series Forecasting

ATT-0095 A路独立评审

论文：Unlocking the Power of LSTM for Long Term Time Series Forecasting

版本：2408.10006v2；评审日期：2026-11-08。

总体判断与材料范围

P-sLSTM的工程方向值得重视：把每个变量的序列切成片段，共享sLSTM骨干，拼接各片段表征后用线性头直接预测未来。它展示了现代循环单元不必被传统逐点LSTM的弱结果代表，在部分电力、气象和太阳能任务上有很强竞争力。不过本文将经验改善包装为短记忆问题的理论解决，证据明显不足，宽泛的通道独立首创说法也与可核验先前工作冲突。

本次先读旧摘要，再阅读全文九页，并独立从作者仓库读取五页附录。后者PDF创建时间为2024年12月19日，正文为2025年2月24日arXiv v2，两者分别保存版本与哈希，不擅自视为同一修订。附录确实补充了PatchTST比较、片段化普通LSTM、稳定器消融和详细超参数，不能只凭九页正文说这些材料完全缺失。旧评全文未提供，历史总分没有作为本次判断依据。

原创性与方法机制

分块降低循环步数并提高单步输入的信息量，通道独立减少多变量参数耦合，sLSTM带来指数门控与归一化状态，这是清楚且可实现的组合。相比原始逐点RNN，它还增加了投影、卷积、残差MLP以及读取全部片段隐藏状态的预测头。性能改善不只对应“记住更久”，也可能来自更短优化路径、更强直接读出和参数配置。因此“输入长度增大后误差下降”不能独立证明统计意义的长记忆被建立。

我定向检查了SegRNN的2023年8月22日v1原文：第3页3.2节明确采用Channel Independent策略，第3至4页4.1节用分段线性投影再输入GRU，并通过减少递归步数改善长预测。它早于P-sLSTM首次2024年8月稿，足以否定正文“首次把CI用于RNN时序预测”的宽泛说法。SegRNN带通道标识并不消除其通道独立处理的事实。这个冲突影响首创范围，不等于特定sLSTM组合毫无增量；真正需要评价的是指数门控、记忆混合与片段处理联合是否超过已分段的循环骨干。本文没有把SegRNN纳入相关工作或实验，恰好漏掉最直接近邻。

理论的正确性与适用边界

正文研究的是无外生输入、用前一输出反馈的随机Markov过程，加入独立同分布噪声，并在遗忘门一致小于一的条件下讨论几何遍历性。即使这些条件完整成立，所得短记忆是生成过程的概率性质，不直接等于一个有限上下文、监督训练的预测器无法利用长程输入。充分条件也不能被改写为“只有满足该条件才几何遍历”。分块并没有随附一个改变自协方差衰减或保证长程依赖恢复的新定理。

此外，原图中推论证明把输入门贡献用常数1界定，但本文输入门是指数函数，未保证小于一。取一维、遗忘门恒为0.5、输入门恒为100、零候选值、零初始状态及零输出映射，下一归一化状态为100；证明指定M=0、b=M+3q=3却无法界住这个一步状态。这直接说明展示的界不成立。若输入和隐藏状态确在紧集，可能用依赖最大输入门的更大常数修复漂移界，所以我不宣称所有可能修正版推论为假。但还需处理“噪声密度处处为正”与反馈输入严格缩放到有界区间的相容性，以及增广状态链适用遍历定理的额外条件。当前证据不足以支持“严格理论保证”的强措辞。

遗忘门超过一的讨论也只是可能出现状态放大，不是必然无法学习新信息，因为还取决于输入门的相对大小与归一化。附录B.2给出了稳定实现，并说明隐藏输出可保持等价，这削弱了把数值溢出直接当作模型记忆必然缺陷的解释。附录中从mt近似log(it)直接替换上一步mt−1、得f't近似ft，需要额外时间变化条件；“损失不直接依赖稳定状态”也不能单独推出链式导数一定不存在。稳定化的价值与数学记忆性质应分别讨论。

实验支持什么

正文五个数据集、每集四个跨度，包含多种架构，P-sLSTM对未片段化sLSTM和LSTM的改善很明显。太阳能与电力多行领先，Weather的MSE也较好；然而Weather长跨度MAE不及iTransformer，PEMS03在48和96步反而差于原sLSTM，96步MSE0.209也高于普通LSTM0.196。作者承认PEMS03不足值得肯定，但归因噪声而非通道独立损失跨传感器信息，尚未有区分证据。所列基线上的23次第一只能说明此表范围，不能替代覆盖强近邻后的总体排名。

附录表12补充PatchTST在三个数据集上的MSE比较，太阳能与PEMS03较有优势，电力大多持平或小幅改善，来源是iTransformer论文。这比完全遗漏PatchTST好，但Weather和ETTm1仍缺该对照，且引用结果的输入长度、选参预算需要对齐。附录表13很有诊断价值：ETTm1-720上普通LSTM0.960，经分块变0.423，P-sLSTM仅进一步到0.421，说明这项条件中绝大部分收益来自分块，而非新门控；电力则仍有较大差距，提示收益是数据相关的。

消融、稳定性与复现

记忆混合消融只在Weather展示，差距通常很小；CI与CM对照确有训练误差低而验证误差高的现象，却没有控制参数量或搜索预算，尚不能普遍证明CI避免过拟合。正文说使用Solar，表4行名却写Weather，且CI测试数字0.167、0.180、0.190、0.196与主表Solar一致，应视为需纠正的数据集标签冲突。图2的patch曲线存在多个局部起伏，也不支持简单单峰机制故事。

附录提供每个数据集的patch、stride、维数、头数、卷积核与dropout，透明度得到实质改善。但表11搜索头数只列1、2、3，实际表9含4、表10含6，搜索过程记录未闭合。未提供种子数、标准差和配对不确定性，千分级门控/稳定器差距不能作稳定显著增益。这里只指出论文证据的边界，不向用户布置复现实验。

成本与最终建议

两数据集同RTX4090训练时间中，P-sLSTM为52.54和93.13秒，iTransformer为79.12和114.25秒，提供局部成本优势。但表5未清楚说明每轮还是完整训练、批量和停止条件，也没有参数、峰值内存、推理耗时和SegRNN/线性模型对照，不能据此称全体最低计算成本。附录给代码及配置可作为复用起点，本次只读文档，未训练或验证仓库可运行性。

本文适合用作现代循环骨干在时序任务中的条件性实证案例。真正可靠的知识增量是分块和共享通道处理对若干任务很有效，以及指数门控额外收益具有明显任务差异；“首次CI”“已经解决一般RNN短记忆”“最低成本”等说法应缩小。个人问题、资源和先验未知，F组不评分，也不以会议发表或引用数替代技术评价。

24维评分

核心主张

- CL01：片段化sLSTM在多种时序任务优于逐点循环基线。条件：所列五数据与超参数配置。支持：支持，但PEMS03长跨度存在反向结果。定位：正文表2；附录表13。
- CL02：首次把通道独立策略用于RNN时序预测。条件：按首次公开时间比较。支持：不成立，SegRNN 2023v1已明确使用。定位：正文p6；S04 p3–4。
- CL03：所列推导严格证明sLSTM短记忆并由patching解决。条件：反馈随机过程、门控及噪声假设。支持：暂停；原漂移界存在错误，分块结论未由定理推出。定位：正文p3–5推论与总体讨论。
- CL04：P-sLSTM具有较低训练成本。条件：同RTX4090的两数据集iTransformer比较。支持：局部支持，不能推出对所有模型最低成本。定位：表5。

风险和问题

- R01（重要问题；原文先例已核验）：宽泛CI首创被2023年SegRNN方法明确否定，且漏掉该最直接比较。定位：正文p6、S04第3–4页。问题：原创贡献应如何收缩到特定sLSTM组合而非CI/分段RNN本身？
- R02（重要问题；证明中的界错误确定；修复后结论尚待核验）：指数输入门不能用1界定，b=M+3q不成立；随机过程假设与实用记忆之间还有缺口。定位：正文p4–5证明、Case1/2。问题：修正输入门界、噪声及遍历条件后还能得到什么严格结论？
- R03（重要问题；标签及搜索范围冲突已确认）：表4标Weather但正文与数值对应Solar；附录搜索头数不含实际使用4和6。定位：正文表4，附录表9–11。问题：这些标签和配置如何对应实际运行记录？
- R04（重要问题；证据缺口）：缺种子离散度、等参数片段骨干近邻比较和完整成本口径。定位：表2–5、附录C/D。问题：现有结果能支持多大范围的稳定收益，而非全部RNN一般结论？

阅读与版本记录

{
"legacy": "先读历史摘要，旧全文缺失；对宽泛首创另查SegRNN原始v1，不读其他新评",
"full_text": "正文PDF1–9全部；作者仓库附录1–5全部；SegRNN只定向读方法先例",
"visual_checks": "正文p4推论原式、p6敏感性图、p7表4；附录p2稳定器推导、p4–5预测图和表",
"code_executed": false,
"data_versions": "正文2408.10006v2；附录PDF元数据2024-12-19、SHA256单列；未核验实际数据文件/训练提交"
}

正文中文字符数：1908。旧评全文未提供；只读可得摘要。未读其他新评。未运行论文代码、训练或推理。

ATT-0095 B路独立评审

Unlocking the Power of LSTM for Long Term Time Series Forecasting

版本：2408.10006v2；阅读完成：2026-11-08T02:53:32.619544+00:00；物理页：[1, 2, 3, 4, 5, 6, 7, 8, 9]。

先读历史摘要，然后通读2408.10006v2九页主文。由于主文不含独立附录，本次从官方仓库取得Appendices.pdf，另读全部五页；该文件元数据显示2024年12月19日，不能直接称其与2025年2月主文逐字同版。没有完整旧评。论文用分块、通道独立共享骨干和sLSTM构成长预测器，直接输出整个预测区间，动机实用：减少循环步数并保留局部形状，可让RNN重新成为竞争性基线。不过需要把可用的工程组合、具体增益及统计记忆定理分开评价。

历史首创风险已由先行原文定点核实，而不再仅引述旧评。SegRNN的2308.11200v1第3页明确采用通道独立策略、GRU以及片段级迭代，早于本作。因此主文第6页“首次把CI用于RNN预测”的宽泛表述不能成立。这个结论不取消sLSTM特定骨干、指数门与分块的组合价值，但最近RNN基线SegRNN缺席，也使性能增量缺少关键参照。这里仅核读先行文的相关段落，没有声称完成全部先行文献综述。

理论的适用范围比主文一般化论述窄得多。第4页把外部输入设为上一期生成值，讨论带独立同分布噪声的自生成Markov过程；实际预测器则接收外部历史片段，并把多个隐状态展开后直接预测。两者不是同一个映射。遗忘门一致小于某个a<1只是给出短记忆的充分条件，论文第5页写成“only holds when”不能把它变成必要条件。没有定理证明分块把几何遍历过程变成长记忆过程，较长历史下预测误差改善也不是同一命题。缩短循环路径与更好的有限样本拟合是合理经验解释，不是已证明克服所有长期依赖限制。

当前证明还有具体缺口。第4页漂移界用常数1代替输入门贡献，但sLSTM输入门是指数函数，不自动小于1；即使输入和隐状态都限于紧集，也只能得到依赖权重的有限上界，常数b=M+3q不能直接沿用。另一方面，假设噪声密度处处为正与生成输入始终落在[-1,1]之间需要另行说明缩放或截断过程，这会影响转移函数。f>1情形把过去项一定压过新输入作为主要解释，却未控制输入门i的相对增长。梯度裁剪也不自动对激活门值施加严格上界。因此本次暂停现有证明作为普遍记忆保证的用途，并不声称任何带补充条件的修正版都不可能成立。

补充附录有重要正面信息：它明示指数门的稳定化状态，解释实现如何抑制溢出，且给稳定化消融。故不能只凭主文讨论无界状态就断言实际代码必然溢出。附录第2页由输出等价推出“稳定状态无梯度”的说法需要区分整体重参数化不变性与计算图的局部导数；第二种情形用当前log(i_t)替代前期稳定状态也额外假设时间变化可忽略，未被一般性证明。稳定版本门值本就被最大值归一化约束，主文未把它与原始Markov分析完整连接。

实验包含五个数据集和四种预测长度，Weather、Electricity、Solar、ETTm1表现有竞争力，但不是全设置最优。PEMS03的48步P-sLSTM MSE为0.163，差于无分块sLSTM的0.138；96步为0.209，差于0.163甚至普通LSTM的0.196。这个失败反例说明分块有条件收益。作者将其解释为噪声较大只是可能性，没有噪声干预证据来区分信息损失、最佳块长、模型容量或优化因素。附录补入PatchTST和P-LSTM比较，不能误说完全没有这些对照；ETTm1在720步P-LSTM已达0.423，与P-sLSTM的0.421很接近，说明相当一部分巨大传统LSTM差距可由分块本身解释。

消融的证据量仍不足以支持全部机制。记忆混合在Weather只有千分位增益且无方差；CI和CM改变输入维度与参数容量，验证集改善支持较少过拟合现象，不单独识别跨通道关联本身的价值。表4标题列Weather，正文说Solar，测试值0.167、0.180、0.190、0.196也对应Solar主表，应将此列为数据标签不一致。图2块长效果非单峰，6、16与56都较低，不能概括成简单先好后差。附录有详细搜索范围但候选头数仅1、2、3，实际配置又出现4与6；基线是否获得同样预算、选择集、种子与停止规则没有完整披露。

效率比较只有Weather和ETTm1对iTransformer的训练秒数，未明确计时是一轮还是全训练、批量与预热，也没有SegRNN、简单线性或推理端完整成本，故“最低计算成本”只能限这两个比较。当前README提供两套CUDA12.1兼容环境、ninja和脚本入口，资源可访问不等于已复现；本次没有训练推理。整体结论是值得作为分块RNN经验候选，但宽泛首创、理论解决长记忆和普遍最优不能接受。值得保留的问题是分块收益来自更短优化路径还是可识别的记忆改变；如果普通P-LSTM在同条件已解释大部分增益，sLSTM机制的独立贡献就更窄。优先亲读主文第4—5页条件与第7页失败设置，再看附录第4—5页P-LSTM及稳定化消融。这些是当前证据限制，不要求用户执行实验。

24维评分

材料边界

旧完整评语缺失，只先读现有历史记录；未查看本批其他新评。论文结果均为作者报告，本次没有运行代码、训练或推理。资源入口核查与执行复现分开，未核验项不写成已验证。未将arXiv版本与会议终稿混为逐字相同。引用量与会议身份不转为质量分。

ATT-0095 C路独立评审

版本与阅读记录

论文：Unlocking the Power of LSTM for Long Term Time Series Forecasting

阅读版本：arXiv 2408.10006v2；首次公开：2024/08/19；本版日期：2025/02/24。发表记录：AAAI 2025, DOI 10.1609/aaai.v39i11.33303 verified。不将不同版本视为逐字一致。

阅读记录开始：2026-11-08T02:48:28Z；完成与冻结：2026-11-08T02:51:01.832221+00:00。PDF共9页；SHA256：［校验标识已隐藏］。页码均为PDF物理页。先阅读旧条目，旧完整评语未提供；不读取其他新评。未运行实验。

阅读判断与独立详评

P-sLSTM 是面向长期预测的轻量方法论文，带有较长的统计记忆论证。若研究兴趣在循环网络与分块读出结构，值得定向查阅；理论部分暂不作为已经证明“分块修复长记忆”的依据。本轮先阅读历史条目，再阅读第二〇二五年二月第二版全部九页，其中末两页为参考文献，没有随 PDF 附加的实验附录。历史条目提到的作者仓库旧附录并未随当前材料提供，本次没有读到它，不能据此声称已经核验所有仓库补充材料。旧完整评语缺失，旧分数不沿用。

方法本身相当直接：每条变量序列独立共享一个骨干，切成片段并线性嵌入，经过具有指数门和归一化记忆的 sLSTM 块，将所有片段的隐藏表示展平后用线性层预测未来。这里最实际的价值是降低循环展开步数，并让输出层直接利用多个历史位置。与只读取最后状态的传统循环模型相比，这种读出方式可以绕开最后状态的压缩瓶颈，却不等于改变了循环过程本身的统计记忆阶。本文未用保持读出方式一致的对照将两种解释分开。

原创性应按具体组合而不是“首次把通道独立用于循环预测”来理解。正文第六页确实提出后一个宽泛首创声明，而相关工作与基线没有覆盖分块循环预测的直接对手。历史摘录指出 SegRNN 的优先权冲突，本次没有另读其原始全文，因此把它保留为待核线索，而不是假装已独立完成首创权裁定。即使该宽泛首创不成立，将 sLSTM 门控、分块以及共享通道骨干组合的特定效果仍应单独评价，不宜因此将整篇价值归零。

核心理论需要明显收窄。文章把无外部驱动、带独立噪声的自回归生成过程写成 Markov 链，并在遗忘门一致小于一时使用漂移条件论证几何遍历性。该结论即使全部技术条件补足，也描述生成过程的统计依赖衰减，不直接等于有限窗口监督预测的学习能力，更没有涵盖分块后的模型或最终全状态展平头。文中从一个充分条件转而说几何遍历性“只在”门值小于一时成立，把充分性用成必要性，逻辑上没有建立。以此进一步说明分块解决长记忆问题，超出了所列定理的覆盖范围。

证明还有可定位的技术缺口。第四页把输入门贡献用单位向量上界并取常数 M+3q，但第三页明确定义输入门为指数函数，并非总小于一。即使在有界输入和固定参数下可以找到其他有限上界，稿中也没有给出这个上界或把它代入漂移常数。输出叠加处处正密度的噪声，与后文把生成输入限制在负一到一的有界区间，也需要明确截断、变换或不同随机过程才能一致，不能只靠“已缩放”消除。进一步，归一化状态的正性、初始状态与使隐藏向量有界的可达状态空间没有完整交代。

大于一的门值讨论同样不能只看原始遗忘门。把 cell 状态除以 normalizer 后，历史平均值的实际权重是 f乘上前一 normalizer，再除以 f乘上前一 normalizer 加输入门；它同时取决于两种门和历史归一化量。某些时间门值大于一，不能单独推出所有状态始终指数增长，也不保证新输入长期被压制。文章承认比值可能稳定是有帮助的，但关于溢出、梯度裁剪必然形成门值上界的推论没有严格证明，亦未与稳定化实现的行为对应。这些问题影响理论担保，而不是自动否定已经报告的误差表。

经验结果确实显示较强的改进：五个数据集、四种预测跨度，电力和 ETTm1 相对未分块 sLSTM 与 LSTM 的差距很大，Solar 也较一致。本文同时给出不利结果值得肯定：PEMS03 的较长预测明显不如 iTransformer，九十六步甚至落后未分块 sLSTM 和 LSTM，因此“任何情形都受益”不成立。作者以噪声解释失败，但没有噪声控制或去噪对照，这只是可能原因。主表若干 MSE 优势并没有对应 MAE 优势，也说明指标上的取舍应保留。

基线选择不足以充分建立更广泛的最先进结论。既然最重要改动是分块和通道独立，缺少 PatchTST、相近分块循环模型，以及给普通 LSTM 使用相同分块与展平头的对照，会使收益究竟来自 sLSTM 还是预测头配置难以识别。相同回看长度并不自动代表相同参数量或调参机会。论文只给出设备与总体输入输出长度，未完整列各模型的学习率、层数、隐藏维度、批量、优化器、训练轮数和选择程序；因此无法确认性能差距是否在合理调参后保留。

消融提供了一些局部证据，但覆盖窄。memory mixing 去除后 Weather 四种预测长度的差距较小，最长跨度 MSE 完全相同，不宜赋予它主要增益解释。通道独立与通道混合在一个数据集的训练、验证、测试误差显示了过拟合差异，但同时改变维度和容量，不能归因于“独立”这一因素本身。该表还有直接标签矛盾：正文说 Solar，表四写 Weather，而测试列零点一六七、零点一八零、零点一九零、零点一九六与主表 Solar 行逐一对应。按证据更可能是表格标签错误，不能把它当成两个数据集都验证过。

图二的片长曲线并非单一光滑先好后坏，图三回看曲线也有局部反转，因而它们支持参数会影响表现，而不是精确证实作者给出的记忆机制。全文没有随机重复次数、方差或置信区间，千分级消融差距的稳定性未知。效率仅比较两个数据上的 iTransformer，且秒数未充分明确是单轮、固定步数还是总训练；不能扩大为所有 Transformer、MLP 或循环模型中成本最低。共享通道、较少循环步有合理效率动机，但仍有串行依赖，作者也承认并行化限制。

复用上，分块骨干加全状态线性读出非常简单，代码入口公开，但入口存在不代表依赖、补充配置与版本快照均已核验。可带走的问题是：性能改善主要来自更短的循环路径，还是使预测头直接访问全部片段状态，以及二者与指数门的交互。建议优先阅读第四至五页结构与理论条件，再读第七页完整结果和消融，保持理论与经验结论分开。用户背景不足，个人适配四维保持未知。

24维评分

冻结说明

保留24维原始分数，不编造个人F组分数，不输出无依据总排名。前作全文补查有限，原创性暂定。完整旧评缺失，历史摘录只作待核线索，不算独立评审票。冻结后若材料变化，另立修订而不覆盖本记录。

ATT-0095 独立评审 D

论文：Unlocking the Power of LSTM for Long Term Time Series Forecasting

版本：arXiv 2408.10006v2；版本日期 2025/02/24。首次公开 2024/08/19。评审 2026-11-08。

冻结时间（UTC）：2026-11-08T02:56:08.204822+00:00

阅读记录：2026-11-08 UTC：先读历史条目及身份，逐页阅读主PDF物理页1—9（正文1—7、参考文献8—9），视觉复核p4—7；另独立阅读全文及视觉检查作者仓库Appendices.pdf物理页1—5，创建日期2024-12-19，来源https://github.com/Eleanorkong/P-sLSTM/blob/main/Appendices.pdf。页码注明补充以与主文区分，未读取其他新评。

旧评边界：只收到历史摘要/行记录，旧完整评语缺失，不作为新评票；未读其他新评。

核心主张

- 将sLSTM与patching、channel independence及展平预测头结合用于长程预测。

- 条件性随机过程分析用于解释潜在短记忆问题。

- 五数据集与分块、记忆混合、CI消融展示实践收益。

详细评审

论文的出发点值得肯定：不能因为裸LSTM在标准预测榜单上落后，就忽略经过现代输入表示和训练设计后的循环模型。P-sLSTM把原本用于语言建模的标量记忆sLSTM与分块、通道独立和展平预测头结合，结构清晰，工程实现门槛相对可控。在长历史中减少递推步数，同时让预测头直接看到各块表征，是合理的归纳偏置。其贡献更适合定位为对现成骨干的任务适配和经验验证，而不是新的记忆单元或已经证明解决了长记忆问题。指数门、归一化记忆和多头混合主要来自已有xLSTM工作，不能全部算作本文原创。

理论部分需要与实践收益分开评价。第三至五页讨论的是没有外部输入、以过去输出驱动自身并加入独立噪声的随机过程，以及遗忘门统一小于一时的几何遍历性。即使论证成立，也只是特定生成过程的条件性短记忆结论，不等价于训练后的条件预测器不能使用远处输入。分块网络的最终线性头还直接连接所有块表征，可能绕过最后状态的记忆瓶颈；长窗口收益因此不能单独证明循环状态已经获得统计学长记忆。正文把“不能保证”推进到“分块解决短记忆”，中间缺少相应定理和区分机制的证据。

我还发现证明本身存在可定位的缺口。第四页推导用常数一向量替代了输入门的新增量，但第三页明确规定输入门使用指数函数，它并不天然被一所界定。因此取常数项为M加三倍维度的现有不等式不能直接从已给假设得到。在有界输入和隐状态下，固定有限参数可能允许另取输入门上界，从而修补某个漂移界；这与当前证明正确是两回事。正文又同时使用遍处正密度噪声和输出严格缩放到有限区间，二者如何在同一个自回归过程内共存没有说明。大于一的遗忘门讨论主要是趋势性解释，尚不能由一个时刻或一个坐标超过一推出整个归一化系统必然指数发散；输入门和分母共同变化也会影响结论。这些问题不证明实测结果错误，但显著降低理论支撑的权重。补充第二页提供稳定化门，可以避免直接指数溢出，故不能忽略实际实现的稳定化机制。不过其Case2条件直接给出稳定遗忘门小于一，后文近似为原始遗忘门还需额外条件；不能一般把二者等同。稳定化与原模型隐藏输出可保持等价，并不要求门值逐个相同。

主表覆盖Weather、Electricity、Solar、ETTm1和PEMS03，四种预测跨度，并纳入iTransformer、DLinear、RLinear、TimesNet等有竞争力的模型。P-sLSTM在前四类数据的MSE常有优势，例如Electricity九十六步为零点一三零，而裸sLSTM为零点二八一；这说明完整配置确实改善了该基线。然而裸LSTM和裸sLSTM落后很大，本身不足以证明指数门组合相对于其他分块循环模型有独特优势。正文没有SegRNN；不过补充材料第五页确实给出分块LSTM和PatchTST比较，不能说这些对照完全缺失。P-LSTM在ETTm1七百二十步MSE为零点四二三，P-sLSTM为零点四二一，说明这个条件下大部分增益来自分块，指数门的增量很小；Electricity则仍有较大差距。补充未充分说明P-LSTM的容量和其他部件是否完全匹配，GRU近邻亦未覆盖。第六页“首次将CI用于RNN预测”的宽泛表述也缺乏足够先行工作审计，旧历史条目指出SegRNN前例，但本次没有获得该前例全文，不能把历史摘要当作独立核验完成。

消融提供了有用但有限的归因信息。记忆混合在Weather四个跨度上的收益较小，九十六步MSE从零点一五一降至零点一四九，七百二十步MSE同为零点三二零；无重复运行分散程度，不能断言这些小差异稳健。通道独立与混合的训练、验证、测试误差对比符合正则化解释，但输入维度和模型容量同时改变，无法唯一归因为避免跨通道过拟合。该表还存在内部标注问题：正文说使用Solar，表四数据集标签却写Weather，而测试数值逐项对应主表Solar。分块长度图也不是简单单峰，二十六处变差、五十六附近再次变好；把曲线概括为先提高后下降掩盖了局部不规则。论文承认最优分块依赖数据集，这是合理边界。

失败情形值得认真保留。PEMS03四十八步和九十六步时，P-sLSTM的MSE分别为零点一六三和零点二零九，均差于裸sLSTM的零点一三八和零点一六三；后者也显示不是所有长预测都因分块受益。作者将此归因于噪声但没有直接噪声控制证据，所以只能视为假说。多个数据上MSE最优而MAE未最优，也不支持统一的“准确率”提升措辞。实验没有展示跨域、缺失数据和外生变量使用场景，不能据五个基准推断通用长期依赖能力。

复现方面，本次除九页主文外，也独立阅读全文作者仓库五页附录，文件创建日期为二〇二四年十二月十九日，并未假定它与当前arXiv版本完全同步。附录给出Adam、初始学习率千分之一、逐任务批量、分块、隐藏宽度、层数、头数、卷积核和dropout，比仅看主文完整得多；它还列出搜索范围与稳定化消融，后者差异约千分之一至千分之二。但搜索表的头数只有一、二、三，最终ETTm1和PEMS配置却有四和六，搜索空间记录不一致；轮数、重复次数、种子及误差条仍缺。资源表仅比较两数据上的P-sLSTM与iTransformer，约五十二点五四对七十九点一二秒、九十三点一三对一百一十四点二五秒，却未明确单轮或全训练计时口径，也无DLinear等轻模型对照。附录预测图承认对极端波动仍不足，属于有用边界。公开代码没有在本评审中运行。总体判断是有工程参考价值，补充材料改善了基线和透明度评价，但理论、严格近邻比较和不确定性处理仍限制更强推荐。

24维评分

量表0—100，5分步长；暂定范围不是统计置信区间。F组个人背景不足，保留未知。未设置总分。

缺失与限制

- 旧完整评语缺失，只有历史行记录。
- 另读作者仓库五页附录，创建日期2024-12-19，未假定与arXiv v2完全同步。
- 未读取SegRNN全文；相关历史风险仅为待核线索，未宣称完成先行工作核验。
- 未执行代码、训练、推理或复现；公开仓库代码及提交版本未核查。
- 缺少随机种子、重复次数、误差条及完整训练/计时口径。
- F组用户背景未知。

详评正文汉字数：1778。未执行代码、训练、推理或复现。

ATT-0095 独立评审 E

论文：Unlocking the Power of LSTM for Long Term Time Series Forecasting

评判版本：arXiv 2408.10006v2；版本日期 2025/02/24；首次公开 2024/08/19。阅读完成时间（UTC）：2026-11-08T02:54:59.537272+00:00。全文 9 页，页码均指此PDF物理页。

旧记录已先读；完整旧评语及sidecar缺失，不计作新评，不继承分数。未读取其他新评。本文未运行实验或论文代码，未验证仓库可执行性。

核心判断与全文评议

P-sLSTM把新版sLSTM的指数门控和多头记忆混合用于长期预测，再加通道独立、分块输入与全部隐状态展平后的线性预测头。实际价值在于给循环网络一条较简单的竞争路线：既保留局部递推，又缩短递推步数，并让最终预测直接读取各块表示。这是值得参考的工程组合，但不能把性能改善直接等同于解决了循环状态的长期记忆理论问题。

已先读历史摘要，但旧完整评语与评分sidecar缺失，旧分数不继承。主文件是2025年2月24日arXiv v2的9页PDF。由于主文件没有附录，我另外从作者公开仓库读取完整5页Appendices.pdf，PDF生成日期为2024年12月19日，SHA256为［校验标识已隐藏］。它作为独立补充材料使用，不推定与会议终稿或主PDF严格同步。全文、参考文献与补充材料均已读，稳定门推导另核原页；未读同批其他新评，未运行实验。

核心idea有合理性。通道共享可以限制参数膨胀，patch把长序列变成较少递推单元，指数输入门允许调整新信息权重。可是sLSTM本身来自xLSTM，patch和通道独立亦有成熟前作；论文的新增部分主要是组合及预测验证。主文称首次把通道独立用于RNN预测，历史摘要指出SegRNN可能构成先例；本次未取得该前作全文，因此将首创性保持为待核，不能凭作者自述给高原创分，也不把历史指控直接当成已证实事实。

短记忆分析必须分层理解。定理讨论的是无外部输入、输出反馈加噪声的生成过程，并在遗忘门统一小于一、输入缩放有界等条件下推几何遍历性。它不是训练时梯度传递能力的普遍定理，也不是对实际有外部历史输入、patch以及展平预测头的理论保证。主文第5页把充分条件写成几何遍历性“only holds”于门小于一，缺少必要性证明。梯度裁剪给遗忘门施加“隐形上界”的解释也没有数学保证，因为裁剪更新梯度并不直接限制门的数值。

证明还有可定位的技术缺口。第4—5页用输入门贡献不超过一个全一向量来取漂移常数b=M+3q，可是输入门是指数函数，不受一限制。令q=1、初始状态为零、输入门为10、候选值接近一、遗忘门为0.5，则新normalizer已为10，单独就超过所取常数的相应界。若确实保证输入和隐状态有界，可用输入门的有限最大值修改b，这提示结论或能修补，而不是证明结论必假。但原打印证明不能原样引用。此外处处正密度加性噪声与反馈输入始终缩放到有限区间的过程定义应进一步澄清。

补充材料提供稳定门的正确缩放公式与对原xLSTM等价性结果的引用，不能忽略它而简单断言指数门必然数值爆炸。然而补充第2页把稳定后的门近似解释成原门，还需要相邻时刻输入门变化很小等条件；输出等价应依靠细胞状态与normalizer同时缩放，而不是仅看门相等。补充表14稳定门消融差异很小，是有限配置的经验观察，不能证明任意长时递推均无数值问题。综合而言，理论部分只能作为有条件的研究动机，暂不支持“patch已解决长期记忆”的强因果表述。

实验有真实积极信号。五个数据集、四种预测长度上，P-sLSTM在Weather、Solar和ETTm1等有竞争力，Solar相对所列基线改善尤其明显。PEMS03则揭示重要边界：48步时P-sLSTM的MSE为0.163，而未patch的sLSTM为0.138；96步为0.209对0.163。iTransformer在这些交通设置也更强。因而patch并不普遍改善长跨度，也不能把五数据集结果概括成所有场景领先。

读取独立附录实质改变了基线与消融判断：附录确实补了PatchTST，并非完全缺少它；三个数据集十二项MSE中P-sLSTM较好或持平，但PatchTST数字来自既有论文，缺少等预算重调证据。附录还补了普通LSTM加patch的P-LSTM，这比只比较原始LSTM更有说服力。ETTm1的720步从LSTM的0.960降到P-LSTM的0.423，再到P-sLSTM的0.421，说明这一个设置绝大部分改善来自patch整体设计，不能归因于指数门控。Electricity的额外改善较大，支持效果具有数据依赖性。

消融仍未完全拆开机制。P-LSTM与P-sLSTM未报告严格匹配的参数量和训练预算，两个模型的块结构、归一化及混合同时改变。记忆混合消融只在Weather做，改善较小且无误差区间。通道独立对比中混合版本的嵌入维度随通道数量放大，过拟合可能来自容量变化；主文表4标题称Weather，而文字说Solar，且CI测试数值与Solar主表一致，必须校正数据身份。展平全部patch状态的全局头也构成替代解释，应与只读最后状态及等容量直接MLP对比。

复现材料比主文单看完整。附录列MSE训练、Adam、初始学习率、批量、patch、步长、层数、嵌入维度、混合头、卷积核和dropout，并给作者代码链接。但是没有完整种子、重复次数、标准差和早停记录，模型选择是否严格只看验证集不够清楚。搜索表列头数一到三，实际配置却出现四和六，说明搜索说明仍不完整。时延只比较两数据集与iTransformer，训练时间的计量单位范围及精度、批量匹配不足，不能推到全面资源优越。

建议定向查阅patch循环网络的实证与补充P-LSTM消融，保留其作为简单预测备选的价值。若要借它建立新的长期记忆理论，应先修正漂移界、澄清有界过程假设，再把状态记忆、全局线性读出与缩短递推路径分别验证。若用于工程选型，应先以相同输入窗口、相同验证预算和多种子比较SegRNN等直接近邻，特别检查交通数据和高波动场景，避免把局部优势泛化。

完整24维评分

风险记录

- R01 关键，已确认打印推导不成立：漂移界将指数输入门按不超过1处理；可尝试放大常数修复，但当前证明与必要性表述不可原样引用。（正文PDF4—5）。
- R02 重要，已确认边界：PEMS03的48/96步patch版本差于未patch sLSTM；不支持普遍长期收益。（正文PDF7表2）。
- R03 局部，已确认文本冲突：表4标题Weather与文字Solar及Solar主表数值冲突，影响CI消融身份。（正文PDF7表4）。
- R04 重要，证据不足：种子重复不确定性及等容量控制缺失，无法稳定归因小幅改善。（正文PDF6—7；附录PDF3—5）。

汇总与阅读建议

定向查阅patch循环预测与P-LSTM消融；理论证明修订前暂停引用其长期记忆保证。已评分20/24维，F1—F4未知；无总分、无强制排序。重点位置：正文3—5页理论边界；正文7页数据与消融；独立附录3—5页配置和P-LSTM/PatchTST对比。

结构化数据见同目录 review.json。