本研究介绍了Graph-Mamba，通过结合Mamba块和节点选择机制，提升了图网络的长程上下文建模能力，显著提高了预测性能。实验结果表明，Graph-Mamba在长程图预测任务中优于现有方法，且计算成本较低。此外，研究探讨了Mamba在视频理解和骨架动作识别中的应用，提出了高效的GCN基线模型，展示了其在多个任务中的优越性能。

提出了一种新的体系结构 SiMBA，通过特定特征值计算引入 Einstein FFT（EinFFT）用于通道建模，使用 Mamba 块进行序列建模，通过对图像和时间序列基准的广泛性能研究证明 SiMBA 在性能上优于现有的 SSMs，缩小与现有的 transformers 的性能差距。