跳到正文
只看一手#Foundation Model
10月9日周五
  1. arXiv · 时序与音频基础模型73

    AdaCast：用于自适应时间序列预测的条件参数生成

    基于摘要分析。AdaCast 针对时间序列基础模型（TSFM）的静态适应问题，提出条件参数生成框架：根据每个输入生成低秩参数更新，使冻结的预训练模型能够针对不同时间模式、季节性与动态特征进行预测。 核心机制是由生成器产生输入特定的低秩参数更新，并在训练和推理阶段应用这些更新。与为整个数据集学习一组固定更新、对所有输入使用同一适应模型的方案相比，其关键区别在于参数适应随输入变化。摘要未说明生成器结构、条件输入形式、更新作用位置、低秩设置及训练目标，这些细节尚未验证。 作者报告，在六个公开基准上，AdaCast 的域内预测表现持续优于静态适应基线，并改善了对跨领域留出数据集的零样本泛化。摘要未提供基准名称、指标、提升幅度或具体数据划分，不能据此量化收益或比较不同协议；实验协议、消融及统计信息尚未验证。复现还需核对预训练 TSFM、生成器训练所用数据、留出数据集与训练数据的关系，以及训练和推理的计算开销。 平台推测（待验证）：输入条件化更新可能用于缓解 EEG 时序预测中不同被试或状态造成的动态异质性，但原领域有效不等于 BCI 有效。可复用的部分是冻结主干与条件低秩更新机制；需改造输入表示、通道组织和预测目标，并确认 EEG 数据规模与监督条件能否支持生成器训练。低信噪比、通道差异及小数据可能使生成器追随伪迹而非稳定动态。一个可证伪的小实验是在固定 EEG 预测主干、训练数据与更新预算下，对比静态低秩更新和输入条件化更新，采用被试隔离的 Cross-subject 划分并检查误差与伪迹敏感性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对输入条件化低秩参数更新相较静态适应的增益及其跨数据集泛化边界；摘要提供了明确机制，但其对 EEG 的适用性尚未验证。

10月8日周四
  1. arXiv · 时序与音频基础模型78

    Timer-M1：通过学习基元构建多变量时间序列基础模型

    基于摘要分析。Timer-M1 面向跨领域多变量时间序列的零样本预测，通过基于基元（primitives）的数据合成与预训练，学习跨领域共享的时间模式及变量关系，以应对不同场景中模式表现和演化方式的差异。 方法上，合成流程先生成包含 temporal primitives 的序列，再利用 relational primitives 将真实序列与生成序列组装为多变量样本。随后，将样本组织为 episodes，并明确区分目标变量、仅提供历史信息的协变量及已知未来信息的协变量，使模型利用可用外生信息预测目标变量。模型采用经调整的门控二维 Transformer 模块，在不同层中动态分配跨变量注意力；具体门控实现、训练目标、数据规模及推理配置尚未验证。 作者报告，在三个大规模预测基准上，与近期时间序列基础模型比较，Timer-M1 在 FEV 和 TIME 排名第一，在 GIFT-Eval 排名第二。摘要未提供具体指标值、预测长度、数据划分或完整对照模型列表，不能据排名推断提升幅度。实验协议、消融及统计信息尚未验证；复现还需核对基元生成规则、真实与合成数据配比、通道角色分配及模型权重可用性。 平台推测（待验证）：其原问题是利用跨领域共享模式实现零样本预测，依赖多变量时序结构及明确的协变量可用性。迁移假设是，基元合成与跨变量注意力可能用于 EEG 的跨通道信号预测，但不等同于已验证的 BCI 解码能力。可复用的是合成流程和变量交互建模；需改造的是 EEG 基元定义、通道角色与任务输出，尤其不能将未知未来 EEG 当作已知协变量。低信噪比、被试差异、通道布局变化和小数据可能使合成模式与真实信号失配。可检验的小实验是在固定 Cross-subject 划分下，对比加入与不加入 EEG 基元合成的同一预测模型，使用相同预测窗口及误差指标评估；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其基于 temporal primitives 与 relational primitives 的数据合成及通道角色建模，是否能改善多变量预测的泛化；摘要报告的基准排名及其向 EEG 迁移的价值仍需分别验证。

  2. arXiv · EEG 与神经表征73

    预测拟合相近但潜在动力学不同：刻画脑疾病个体化模型学到的动力学结构

    基于摘要分析。研究考察个体化模型在预测拟合相近时，其学到的潜在动力学是否仍呈现与临床分组相关的差异。核心贡献是将 EEG 表征转为共享潜在状态，并比较逐被试拟合的转移依赖图，强调预测表现与模型内部动态结构应分别评估。 方法上，作者使用在 Temple University EEG Corpus（TUEG）上预训练的轻量 CNN–Transformer EEG 基础模型提取片段级表征，再将 Temple University Epilepsy Corpus（TUEP）的表征映射至共享潜在状态空间。随后为每位被试独立拟合稀疏 multinomial logistic transition distributions（mLTD），得到个体化转移依赖图 W_n。摘要未说明潜在状态构建过程、k 的确切定义及稀疏化配置。 分析包含 198 名被试，其中癫痫与非癫痫各 99 名。作者报告，k=4 时癫痫组学到的依赖结构更密集（p=1.1×10⁻⁷），k=6 时也观察到同方向差异（p=5.2×10⁻⁵）。基于图特征的组别判别采用按被试划分的五折交叉验证，AUROC 在 k=4 时为 0.68、k=6 时为 0.65，显示中等程度的组别区分能力。 相比之下，作者报告 k=4 时癫痫组与非癫痫组的留出数据 log-likelihood 分别为 −0.992 与 −0.991（p=0.95），下一状态预测 AUROC 分别为 0.855 与 0.861（p=0.54）。这些结果支持在所用模型和评估条件下，预测拟合相近仍可伴随学到的动态结构差异；不能据此将依赖图直接解释为生理连接或疾病因果机制。 复现时需核对共享状态空间与图特征的构建是否纳入交叉验证流程、留出预测的具体划分、记录长度和采集条件的影响，以及图密度对状态数量与稀疏化配置的敏感性。全文未取得，实验协议、消融及统计信息尚未验证；摘要结果也不足以确立临床诊断效用。

    阅读价值：该研究提供了比较个体化模型所学动态结构与预测性能的具体路径；作者报告两组预测表现相近但依赖图密度不同，值得核对共享潜在状态构建及图结构差异的稳健性。

10月7日周三
  1. arXiv · 时序与音频基础模型70

    WxFM-XL：将单变量基础模型适配于多站点天气预测

    基于摘要分析。该研究关注如何将单变量时序基础模型适配于多站点天气预测，提出 WxFM-XL，以跨站点误差相关性先验图和空间相关图的动态融合，同时建模站点空间关系及各站点相对于基础模型的误差先验。 核心机制：摘要以 Sundial、Timer 为单变量时序基础模型的例子，指出已有多变量扩展主要关注变量间相关性，可能忽略站点空间信息与站点间不同的误差先验。WxFM-XL 引入跨站点误差相关性先验图，并通过动态融合机制自适应整合该图与空间相关图。其具体图构建方式、误差先验的估计数据、融合实现、训练目标及基础模型适配策略尚未验证；不能据此认定它实际采用了上述哪个基础模型。 结果与证据边界：作者报告，在多个数据集上优于当前最先进的对照基线。摘要未提供数据集名称、划分方式、预测时域、评价指标或数值，因此尚不能判断收益大小及适用范围。实验协议、消融及统计信息尚未验证；复现需核对先验估计所用数据范围、训练与测试划分，以及两类图各自的贡献。 平台推测（待验证）：迁移假设是，多通道 EEG 中也可能存在基础模型在不同通道上的系统性误差关系，可将其与电极空间关系融合，用于多通道时序预测。该路径依赖通道布局及可用于估计误差相关性的参考数据；图融合思路可能可复用，但站点图需改为电极图，并适配 EEG 的时间尺度。低信噪比、伪迹、跨被试差异、通道变动和小数据可能使误差图不稳定，且空间邻近不必然对应功能相关。一个可证伪的小实验是在固定通道布局的 EEG 预测任务中，仅用训练数据估计误差图，对比空间图、误差图与动态融合，并分别评估被试内和跨被试表现。该实验不等同于验证 BCI 解码效果；相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以基础模型的站点误差相关性补充空间关系、再动态融合两类图的适配机制，但性能优势及向 EEG 的迁移价值尚需验证。

  2. arXiv · EEG 与神经表征72

    多模态 LLM 可以学习读取脑信号：用于统一多任务 EEG 解码的视觉—语言模型

    基于摘要分析。该研究针对 EEG 表征在认知任务、被试和记录条件之间难以泛化，以及神经信号如何接入通用基础模型的问题，提出 BraVista：将多通道 EEG 编码为结构化图像，通过指令条件视觉—语言模型（VLM）开展统一多任务解码。 核心机制是在通用领域 VLM 上进行持续后训练，利用其视觉与语言先验适配 EEG，而不另设大规模 EEG 专用预训练阶段。摘要明确指出 EEG-to-image 表示选择对性能至关重要，但尚未提供图像构造方式、通道与时间信息的编码规则、指令设计、训练目标、可训练参数范围或多任务采样策略，无法据此判断哪些模块贡献了主要收益。 作者报告在四个数据集上评估 BraVista，覆盖睡眠分期、情绪识别、认知工作负荷分类及异常 EEG 检测，并称各任务表现较强。摘要未给出数据集名称、被试数、数据划分、对照基线或具体指标，因此不能确认这些结果对应被试内、跨被试、跨会话还是跨数据集协议，也不能据此认定跨任务迁移或对未见记录条件的泛化已得到验证。 作者报告，在受控 EEG 扰动下，噪声增加伴随性能逐渐下降，并据此认为模型利用了 EEG 相关信息，而非仅依赖表面视觉模式。该观察为输入信号与预测的关联提供了支持，但仅凭摘要不足以排除所有视觉捷径；扰动类型、强度、图像变化及相关对照尚待核对。 复现时应优先核对结构化图像表示的对照实验、各任务的独立评估与联合训练设置、数据隔离方式、VLM 基座及后训练资源需求。实验协议、消融及统计信息尚未验证，代码与权重可用性亦未从所给材料确认。

    阅读价值：值得阅读的具体原因是 BraVista 将结构化 EEG 图像与指令条件 VLM 相结合，探索无需独立大规模 EEG 专用预训练的多任务解码路径；其表示选择与噪声扰动分析值得核对，但泛化范围和复现成本尚未验证。

  3. arXiv · EEG 与神经表征77

    跨模态对齐中的被试规模扩展：利用 EEG 基础模型进行视频解码

    基于摘要分析。研究考察自然视觉 EEG 解码是否受益于扩大训练被试规模，并通过 EEG–视频跨模态对比编码器比较基础模型初始化与随机初始化的扩展表现。核心贡献是提出被试规模收益可能存在起点：小规模队列中的有限增益，不一定能代表更大队列的扩展规律。 方法与对照：研究利用共享自然视觉刺激进行 EEG–视频对齐，训练队列规模比既有相关研究大一个数量级以上。摘要列出的评估包括需要拟合的刺激特征探针，以及无需拟合的电影时刻检索；初始化对照包括 EEG 基础模型与两个深度的随机初始化编码器。具体基础模型名称、对比损失、视频表征方式、网络结构与各规模阶梯尚未验证。 作者报告，在其被试规模阶梯中，S≈50 以下，各模型相对未训练编码器均无明显改善；超过这一范围后，两类评估的解码表现随被试数呈对数线性增长，在所测试的最高规模处未见饱和，且收益迁移到第二部未见电影。作者还报告，基础模型初始化编码器在队列每翻倍时的扩展速率约为随机初始化对照的 1.6 倍，是最高规模处唯一仍能通过增加被试提高检索 Accuracy 的模型，并以较少的对齐计算量收敛。摘要未给出绝对 Accuracy、最高被试数、计算量或统计不确定性，不能将该速率比解释为准确率提高 1.6 倍。 证据边界与复现重点：需核对训练和评估的被试划分、时间片段划分、电影间迁移设置，以及共享刺激条件下候选检索集合与未训练基线的定义。摘要不足以确定结果属于何种 Cross-subject 或 Cross-session 协议，也不能将未见电影迁移直接等同于 Cross-dataset 泛化。实验协议、消融及统计信息尚未验证。作者将共享自然刺激上的被试扩展视为尚未饱和的方向，但这一结论仅适用于已测试规模与任务，尚不能外推到任意 EEG 数据或其他 BCI 范式。

    阅读价值：值得核对其被试规模阶梯与评估划分，以检验共享自然视觉刺激下被试扩增的收益起点，以及 EEG 基础模型初始化相对随机初始化的扩展效率优势。

10月6日周二
  1. arXiv · 时序与音频基础模型82

    时序基础模型中的上下文系统辨识衰减：反事实输入诊断与合成受迫系统微调修复

    基于摘要分析。研究考察带协变量的时序基础模型能否利用上下文回答受迫工程系统的反事实问题，即未来输入变化会如何改变输出。作者通过精确反事实对照诊断动态响应缺陷，并尝试以推理时上下文扰动和合成受迫系统微调修复。 研究比较 Chronos-2、TimesFM-2.5、TabPFN-TS 与使用相同上下文拟合的经典系统辨识方法。作者报告，通过默认协变量接口，TimesFM-2.5 和 TabPFN-TS 对输入变化的预测效应呈无记忆特征，即仅依赖同一时刻的输入变化；Chronos-2 能在上下文中辨识动态，但预测效应仅为真实效应的 0.33–0.80，恢复的脉冲响应形状也不正确。这些结论针对所测接口与系统，不宜外推为模型所有配置下的性质。 作者报告，在单自由度振子实验中，Chronos-2 使用 8192 个上下文样本时误差趋于 0.57，而 ARX 使用 256 个样本时达到 0.02；摘要未说明该误差的定义与归一化方式。推理时上下文扰动在全部六类合成系统上降低了反事实预测误差。一次耗时 26 分钟的合成受迫系统微调将响应敏感度恢复至 0.83–0.96，并在 Wiener-Hammerstein 和留出的摩擦系统类别上优于不预设结构的辨识方法；硬件及训练配置尚未验证。使用相同数据训练的专用上下文辨识器表现接近，作者据此认为受迫系统训练数据贡献了大部分增益。 边界同样重要：作者报告，在四个实测系统中的三个上，经典辨识仍明显更优，且微调损失了部分单变量预测能力。成对反事实输入与实测记录中打乱的未来输入共同检验接口能否表达动态、预训练先验是否覆盖系统时间尺度；作者指出，只有反事实配对暴露了响应衰减。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该诊断思路可能用于具有明确外部输入的 EEG 刺激响应建模，而非直接用于一般 BCI 分类。可复用反事实配对与脉冲响应检验，但需改造通道表示及被试条件建模；低信噪比、潜在混杂和小数据可能使真实响应无法辨识。一个小实验是在已知输入—响应卷积系统中加入 EEG 背景噪声，比较基础模型与 ARX 的响应恢复误差，并留出响应时间尺度测试泛化。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究用精确反事实输入区分协变量接口的动态表达能力与上下文辨识衰减，并比较合成受迫系统微调和经典系统辨识，值得核对其诊断协议及修复收益与预测能力损失之间的权衡。

  2. arXiv · EEG 与神经表征78

    SpecBraM：EEG 基础模型应预测什么？掩码频带功率预测与波形重建的比较

    基于摘要分析。研究探讨 EEG 自监督预训练应预测何种物理量，提出 masked band-power prediction（MBP，掩码频带功率预测），并与波形重建比较。其核心贡献是通过匹配条件的实验检验预训练目标对睡眠分期表征的影响，同时考察收益能否迁移到其他任务。 MBP 为被掩码的通道—时间片段预测固定窄频带的对数谱能量，旨在保留与睡眠分期相关的节律功率，避免相位敏感的波形重建及学习式码本。作者使用三个预训练随机种子，在相同骨干、2,388 小时预训练数据和相同训练步数下比较频带功率与波形目标，并采用 2×2 tokenizer-by-target 设计区分 tokenizer 与预测目标的影响；摘要未提供具体骨干、损失形式或频带配置。 作者报告，在 ISRUC 和 HMC 睡眠分期的严格线性探测协议下，使用全部标签时，MBP 相较原始波形及频带波形重建提高 1.6–2.8 个 Balanced Accuracy 百分点；使用 1% 标签时提高 4.7–7.3 个百分点，且目标的影响大于 tokenizer 的影响。按 ISRUC/HMC 顺序，冻结特征的 Balanced Accuracy 为 0.7916/0.7425，匹配的丰富手工频谱特征基线为 0.7636/0.7227；但在 1% 标签条件下，与该基线的差距约为一个百分点。作者报告，全量微调的 Balanced Accuracy 为 0.8107/0.7669。被试与会话划分、标签抽样方式、各对照的具体实现及统计不确定性尚未验证，不能据此直接比较其他研究的分数。 作者报告，这些收益未普遍扩展到运动想象、抑郁筛查和警觉性回归等具有频谱线索的任务，支持根据下游标签相关的物理量及空间、时间尺度选择预训练目标，而非将 MBP 视为普适替代方案。复现需核对预训练数据组成、掩码策略、频带定义、线性探测约束和 1% 标签采样协议；完整实验协议、消融及统计信息尚未验证。

    阅读价值：匹配骨干、预训练数据与训练步数的目标对照及 tokenizer-by-target 设计，有助于核对睡眠分期收益是否主要来自预训练目标，同时其未普遍迁移的结果值得用于审视 EEG 基础模型的任务适用边界。

  3. arXiv · 时序与音频基础模型84

    时序基础模型的尺度不变训练

    基于摘要分析。本文研究时序基础模型在混合不同数值尺度的数据集上训练时，损失计算方式如何改变各序列的训练权重，提出在缩放后的目标上计算损失的尺度不变训练（ScaleIn），并给出理论分析与预测实验。 核心机制是区分输入归一化与损失计算空间。作者指出，Reversible Instance Normalization（ReVIN）等仿射缩放方法若在计算损失前逆变换回原始尺度，相比在缩放目标上计算损失，每条序列的梯度会被乘以 b^p，其中 b 为缩放分母（如标准差），p 为损失的齐次次数。作者将其称为尺度污染训练（ScaleCon）：原始数值尺度成为隐式重要性权重，使大尺度序列主导训练。作者证明，在缩放器具有尺度等变性、残差损失为 p 次齐次函数的条件下，ScaleIn 可使每个 mini-batch 的梯度及整个优化轨迹对训练序列各自独立的任意重缩放保持不变；适用损失包括 MSE、MAE 和 Quantile Loss。这是有条件的尺度不变性结论，不等同于对所有归一化与损失组合均有效。 作者报告，在合成与真实数据的受控研究中观察到两类训练目标的收敛差异；在四种 TSFM 架构的预训练评估中，ScaleIn 在全部 24 个架构—基准比较中降低 MASE，各 TSFM 的平均降幅在 GIFT-Eval 上为 18.8%，在 M-competitions 上为 21.9%。作者还报告，在监督式神经预测的 20 个匹配设置中，有 16 个设置降低 MASE，并称多数现有预测流程可通过一行代码修改采用该方法。具体架构、训练规模、数据划分、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 跨被试、跨会话或跨设备训练中的幅值差异，但原领域结果不等于 BCI 效果。可复用的是连续值预测或重建任务中缩放目标与损失空间的一致性；需核对按通道还是按试次缩放，以及逆变换的位置。若幅值本身包含任务信息，或低信噪比、小数据条件下尺度估计不稳定，等权化也可能削弱有效信号。一个可检验的小实验是在固定 EEG 预测划分、模型与随机种子的前提下，仅比较 ScaleCon 与 ScaleIn，并对训练序列独立重缩放，检验梯度一致性及测试误差；分类损失不能直接套用上述结论。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对时序模型归一化后训练损失的计算空间：作者给出尺度影响梯度的理论条件，并报告匹配实验中的预测改善，但其对 EEG/BCI 的价值尚未验证。

  4. arXiv · 时序与音频基础模型70

    协变量不确定性下用于负荷预测的时间序列基础模型基准评估

    基于摘要分析。本文研究时间序列基础模型（TSFM）在真实运行条件下进行短期负荷预测（STLF）的有效性，重点考察未来协变量的可用性与质量如何影响预测表现。研究在三个真实负荷预测数据集上，对四个从零训练（TFS）的模型与四个 TSFM 进行基准评估，覆盖未来协变量信息不同的运行场景。 作者报告，在未来协变量可获得或能够准确预测的条件下，Chronos-2 在零样本和微调设置中均持续达到作者所称的最先进性能；随着协变量预测噪声增大，其性能下降，而 TimesNet 在严重协变量不确定性下表现出更强的鲁棒性。摘要未提供具体指标、数值、数据集名称、划分方式、预测时距或完整模型名单，因此不能量化优势，也不能将不同条件下的结论直接等同于部署收益。 本研究的主要阅读价值在于将模型比较与未来协变量质量联系起来，而不只评估理想输入条件下的预测能力。需进一步核对协变量的类型、预测与噪声构造方式、各模型接入协变量的方式，以及零样本、微调和从零训练设置之间的比较条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一评估思路可能用于 EEG 预测中依赖外部上下文的模型，但前提是任务明确包含预测时可获取、且可能存在误差的协变量。可复用的是按协变量可用性与噪声水平组织评估的框架，需改造的是 EEG 目标、上下文输入和数据划分；低信噪比、跨被试差异及小数据可能使模型更依赖不稳定上下文。一个可检验的小实验是在固定 EEG 预测任务与划分下，对同一模型比较无协变量、真实可获取协变量及受控扰动协变量三种条件。该迁移假设不代表已证实的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：该基准将未来协变量的可用性与预测噪声纳入负荷预测评估，值得用于核对基础模型的性能优势是否依赖实际部署中难以获得的高质量协变量。

10月5日周一
  1. arXiv · 时序与音频基础模型73

    正常性约束学习：将基础模型适配于时间序列异常检测

    基于摘要分析。研究针对时间序列基础模型（TSFMs）可能同时准确重建或预测正常与异常模式、导致误差型异常评分失去区分能力的问题，提出轻量、即插即用的 Normality Constraint Learning（NCL）。其核心贡献是在不修改预训练参数的条件下，将模型的广泛模式建模能力约束到目标时间序列的正常结构。 机制上，NCL 从少量正常 patch 特征构建紧凑的正常性子空间，通过对比约束形成紧凑且具有区分性的正常性流形，并在该子空间内自适应地引导各 patch 特征向正常结构靠拢。校准后的特征经聚合以强化正常成分，再与原始 TSFM 输出融合，以扩大正常与异常观测在重建或预测误差上的差异。摘要未提供子空间构建算法、对比损失形式、融合方式及额外训练成本，这些实现细节尚未验证。 作者报告，在多类 TSFM 与多个基准上的实验中，NCL 持续改善异常检测性能；但摘要未列出具体模型、数据集、指标、数值、划分或对照基线，不能据此判断改善幅度及适用边界。复现时需核对正常 patch 的来源与筛选条件、异常评分和阈值设定，以及不同组件的消融与统计信息；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 EEG 异常片段或伪迹检测，NCL 的正常结构约束可能缓解基础模型将异常也重建得过好的问题，但这不等同于已验证的 BCI 解码收益。该假设依赖少量正常片段能够代表目标分布；可复用正常性子空间与特征校准思路，需适配 EEG 的多通道特征、patch 划分及评分方式。低信噪比、跨被试或跨会话差异、通道变化及小数据可能使正常子空间不稳定，或将有意义的神经活动误判为异常。一个可检验的小实验是在固定被试内划分、相同冻结骨干和相同正常训练片段下，对比原始误差评分与 NCL，并改变正常片段数量以检验收益稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其在冻结 TSFM 预训练参数的条件下，能否通过正常性子空间恢复误差型异常评分的区分能力，尤其需要验证正常样本选择与不同异常类型对收益的影响。

  2. arXiv · 时序与音频基础模型74

    用于预测控制的时序基础模型：激励的作用

    基于摘要分析。研究考察时序基础模型（TSFMs）的零样本预测能力是否足以支持模型预测控制（MPC），核心贡献是区分常规预测准确性与对备选控制动作响应的建模能力，并分析上下文中控制激励的作用。 MPC 需要预测目标系统在不同候选动作下的变化，因此较低的预测误差并不保证模型能够正确比较控制干预。作者以住宅热泵控制为试验场景，评估模型预测的控制干预效果与真实效果的一致性。摘要未给出具体 TSFM 名称、输入输出组织方式或一致性指标定义。 作者报告，当上下文包含充分的独立控制激励时，TSFMs 能够恢复系统的输入—响应关系；常见微调流程与特征平滑可以降低、但不能消除对上下文激励的需求。作者据此认为，当前用于预测控制的 TSFMs 在推理时仍需要足够有信息量的控制变化。作者报告初步闭环结果显示较短上下文窗口具有潜力，但摘要未提供窗口长度、对照基线或控制性能数值，不能据此判断闭环优势的大小。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若迁移至包含外部刺激或控制输入的 EEG/BCI 响应预测任务，其机制启示是自然时序预测良好不等于能够识别干预响应。该假设依赖同步记录的刺激或动作输入、EEG 输出及足够独立的输入变化，不能直接推广至一般被动 EEG 解码。可复用的是干预效果一致性评估思路；输入编码、响应时延与通道处理需针对 EEG 改造。低信噪比、跨被试差异及小数据可能使激励效应难以辨识。一个可检验的小实验是在固定模型和上下文长度下，比较不同刺激变化程度的上下文对留出干预响应预测的影响，并分别报告常规预测误差与干预效果一致性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是将预测误差与控制干预响应的正确性分开评估，并揭示推理上下文中的独立控制激励可能是时序基础模型用于 MPC 的关键条件；其适用范围仍需全文实验核对。

  3. arXiv · 时序与音频基础模型78

    Anlu：通过反事实监督使基础模型具备上下文时序异常检测能力

    基于摘要分析。Anlu 研究时序异常检测（TSAD）中异常判定依赖运行状态的问题：同一查询序列中的模式，在不同正常规则下可能具有不同标签。其核心贡献是通过反事实监督训练模型利用参考序列，并在推理时保持模型参数固定，实现参考条件化的上下文学习（ICL）。 机制上，训练将同一查询与两条支持不同正常规则的参考序列配对，分别提供对应标签。在两组标签不一致的位置，忽略参考的检测器无法同时拟合两个目标，从而约束模型学习参考与异常判定之间的关系。Anlu 在一个已针对异常检测预训练、参数冻结的时序基础模型（TSFM）上添加参考记忆和零初始化门控适配器；具体记忆结构、适配器配置及损失形式尚未验证。 作者报告，在 350 条 TSB-AD-U 评估序列上，Anlu 将冻结 TSFM 的平均 VUS-PR 从 0.542 提升至 0.607；将参考替换为全零后，Anlu 的分数降至 0.499。这一干预结果支持模型预测依赖参考输入，但尚不能据摘要确定参考质量、参考分布变化及不同异常类型下的稳健性。训练数据、参考构造与选择方式、数据划分、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 异常标签确实随被试或状态对应的正常规则变化，该机制可能帮助缓解固定异常标准难以跨被试或跨会话适用的问题。可复用的是反事实配对监督与参考条件化机制；需改造参考记忆以处理 EEG 通道布局、采样率及伪迹。其前提是能够构造可信的参考及条件标签，低信噪比、参考受污染和小数据可能使模型学习伪相关。一个可检验的小实验是在具有明确状态标签的 EEG 数据上，对同一查询配置两种参考，比较正确参考、交换参考和全零参考下的预测及条件标签一致性。该实验仅为迁移假设，不构成已验证的 EEG 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：反事实监督为检验异常检测器是否真正利用参考序列提供了明确机制，作者报告的参考置零结果也使其上下文依赖性具有可核对的实验线索。

10月4日周日
  1. arXiv · 时序与音频基础模型79

    通过分层稳定化实现语音基础模型的可迁移对抗鲁棒性

    基于摘要分析。该研究关注语音基础模型（SFM）的鲁棒性能否在未来下游任务尚未确定时预先学习，从而避免每个任务都进行完整的对抗微调。作者提出分层表征稳定化，并在下游干净数据适配之后仅优化分类器间隔，将骨干鲁棒化与任务适配分离。 核心机制：对冻结骨干与线性分类器，作者从表征稳定性和决策边界间隔的相互作用解释鲁棒性。方法在多个隐藏层稳定表征，而非仅处理最后一层，同时保留干净输入的表征；下游适配先学习层融合与轻量分类器，再固定所选层混合，仅扩大分类器间隔，此阶段不生成下游对抗样本。具体稳定化目标、干净表征保持约束、训练流程与间隔优化方式尚未验证。 作者报告，在 Wav2Vec2、HuBERT 和 WavLM Large 的四项任务上，使用自适应 30 dB 攻击评估，共覆盖 12 个骨干—任务组合；分层鲁棒化使 Robust Accuracy 提升 46.4 个百分点，间隔优化再增加 4.0 个百分点，代价为 Clean Accuracy 下降 1.1 个百分点。摘要未明确这些增益的对照基线与汇总方式，也未列出任务、数据集及划分；攻击约束、实验协议、消融及统计信息尚未验证。作者提供了代码与配置，但运行条件及复现结果尚未核对。 平台推测（待验证）：迁移假设是，若 EEG 基础模型也采用冻结骨干、可学习层融合和线性分类器，该方法可能用于分离表征扰动敏感性与分类间隔不足两类问题。可复用思路是多层稳定化与适配后间隔优化，但扰动模型需改为符合 EEG 振幅、频带及通道结构的约束；语音攻击下的有效性不等于 EEG/BCI 有效。低信噪比、跨被试差异、通道变化和小样本可能使稳定化压制任务相关信号，或使扩大训练间隔无法改善泛化。一个可检验的小实验是在固定跨被试划分下，对比原始冻结骨干、仅分层稳定化、仅间隔优化及二者组合，分别报告干净与受约束扰动下的 Accuracy。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其分层表征稳定化与分类器间隔优化如何分工，以评估在不为每个下游任务更新骨干或生成对抗样本的条件下，鲁棒性能否迁移至不同任务。

  2. arXiv · 时序与音频基础模型83

    时序基础模型的统一缩放定律

    基于摘要分析。该研究探讨模型容量与历史信息如何共同支持时序预测，提出 Unified Scaling Law 与 Unified Theory of Time Series Learning，分别用经验拟合和 Gaussian regression 理论分析容量、上下文及预测跨度的作用。 经验部分覆盖六个领域的 23 个 dataset-frequency 任务，分析 21 个检查点、18,768 个实验单元，包含不同历史窗口长度与预测跨度。作者将局部资源关系整合为五参数定律：容量增加的收益随历史长度增长，上下文收益逐渐趋于饱和，预测跨度效应表现为共同偏移。摘要未提供具体公式、任务清单、训练与评估划分，相关协议尚未验证。 作者报告，在拟合时排除 Toto 2.0 后，该定律对其按预测跨度平均的容量缩放曲线进行预测，在输入长度为 2048 和 4096 时，平均绝对百分比误差分别为 1.09% 和 1.50%。这些数值衡量的是缩放曲线预测误差，不能解读为时序预测任务本身的误差或性能提升。 理论部分用 Gaussian regression 分析规则识别与预测能力。作者提出假设：full-shot 模型通过权重积累信息，而冻结的时序基础模型通过激活从历史中提取信息。作者报告，匹配历史条件的比较支持额外历史的预测价值；受控参数交换与激活干预提供证据，表明由历史提取的规则信息可被保留、跨查询复用，并恢复对长上下文预测的部分贡献。干预细节、消融及统计信息尚未验证。摘要声明代码与主要结果已公开，实际复现条件尚待核对。 平台推测（待验证）：容量与历史长度的联合分析可能用于研究 EEG 长上下文预测的资源分配，但其前提是存在可跨时间复用的预测结构，并有足够数据区分容量与上下文效应。可复用的是缩放拟合和历史匹配对照思路，需改造输入表示、通道处理与跨被试评估；低信噪比、跨会话非平稳性和小数据可能使历史收益提前饱和或不稳定。一个可证伪的小实验是在固定 Cross-session 划分下联合改变模型容量与历史长度，检验该定律能否预测未参与拟合配置的误差曲线。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究将模型容量、历史长度与预测跨度纳入统一拟合框架，并以未参与拟合的 Toto 2.0 检验容量缩放曲线预测，值得核对其适用范围与历史信息干预证据；对 EEG 的迁移价值尚未验证。

  3. arXiv · 时序与音频基础模型75

    Pythia：迈向多模态时间序列基础世界模型

    基于摘要分析。Pythia 针对异构时间序列中可复用多模态预测表示不足的问题，通过 joint-embedding predictive architecture 学习由上下文条件化的潜在动态，并将世界模型预训练与观测空间中的概率预测分离。 核心机制是使用 stop-gradient 数值参考，引导上下文信息对预测未来状态进行修正；随后由独立概率解码器结合冻结的预测表示与观测历史完成预测。该设计将潜在动态表示的学习与概率输出适配解耦。摘要未提供具体损失形式、上下文编码方式、预训练数据构成或模型规模，这些细节尚未验证。 作者报告，在 MUSE 上，Pythia-Tiny 的归一化 mean absolute scaled error（MASE）为 0.6879，weighted sum quantile loss（WSQL）为 0.4269，相对于已发布 MUSE 排行榜中被评估的最强模型，误差分别降低 6.26% 和 5.00%。这些是相对降幅，不是百分点变化；摘要未说明对照模型名称、数据划分及指标聚合方式，不能据此推断其他协议下的优势。作者还报告，受控实验支持将预测表示学习与概率读出分离，并显示实体描述、事件和协变量具有互补贡献。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其上下文条件化动态表示可能用于探索 EEG 信号与任务描述、事件标记及协变量的联合建模，但原领域结果不等于 BCI 有效。可复用思路是潜在动态预测和独立读出；需要改造 EEG 输入表示、通道组织及事件时间对齐。低信噪比、跨被试差异、通道不一致和小数据规模可能削弱上下文收益。一个可证伪的小实验是在固定 Cross-subject 划分下，对比仅数值输入、加入真实事件上下文及打乱上下文的未来 EEG 预测误差，检验收益是否确实来自上下文。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将多模态潜在动态预训练与概率预测解耦的机制，以及文本、事件和协变量的受控对照；摘要报告了 MUSE 上的误差改善，但具体评估协议与统计可靠性尚未验证。

  4. arXiv · EEG 与神经表征79

    SPERA：采用几何与频率感知潜空间预测的球面先验 EEG 基础模型

    基于摘要分析。SPERA 针对被试、设备及电极布局异质性带来的通用 EEG 建模难题，采用 joint-embedding predictive architecture（JEPA）进行潜空间预测，并结合电极几何先验与频谱关系约束，构建 EEG 基础模型。其出发点是：观测信号同时包含神经与非神经成分，直接重建信号的训练目标未必最适合学习通用表征；这一动机不等于模型已被证明能够分离两类成分。 机制上，SPERA 将 Legendre-polynomial 空间先验融入注意力，以编码不同头皮电极几何；采用分解式时间与空间注意力，并穿插周期性全注意力块；通过 relational spectral regularizer，使潜空间相似性结构与频谱视图对齐。这些设计分别面向电极布局变化、时空交互建模和频谱结构约束。摘要未提供潜空间预测目标、频谱视图构造、正则项公式及各组件训练细节，其具体实现尚未验证。 作者报告，模型在来自 106 个数据集、29,048 名被试的约 80,000 小时 EEG 上进行预训练，并在覆盖临床、认知和 BCI 应用的九项下游任务中取得最高平均 Balanced Accuracy。该结论限定于作者采用的任务集合与比较范围；摘要未列出具体任务、对照模型、分数、汇总方式，以及被试内、跨被试、跨会话或跨数据集划分，不能据此判断各类泛化能力。作者还报告在线性探测下具有较强参数效率，并对不同记录条件表现出稳健性，但参数规模、冻结与训练设置及稳健性测试条件尚未验证。 复现与阅读重点是核对预训练和下游数据的划分关系、电极坐标及缺失通道处理、频谱约束的实现，以及几何先验、分解式注意力和频谱正则各自的贡献。实验协议、消融及统计信息尚未验证；代码、权重和数据可获取性也无法由摘要确认。

    阅读价值：值得核对 SPERA 如何将电极几何先验与频谱关系约束引入潜空间预测，以及作者报告的下游表现是否在不同电极布局和评估协议下保持稳定。

  5. arXiv · 时序与音频基础模型73

    GRAM：通过图检索幅度记忆校正冻结的时序基础模型

    基于摘要分析。GRAM 针对冻结时序基础模型（TSFM）的预测校正问题，提出检索增强框架：不直接复用相似历史窗口的真实未来值，而是从历史预测误差中提取可重复的系统性偏差，用于修正当前预测。 核心机制：作者认为，历史真实未来值既包含基础模型已经捕获的可预测成分，也包含难以迁移的样本特异性随机波动；相比之下，重复出现的模型偏差更直接反映冻结模型的失效模式。Amplitude Memory Module（AMM）按幅度缩放预测误差，并将其聚合为可检索原型，以处理不同数值尺度下误差难以比较的问题。Prototype Graph Module（PGM）建模原型间关系，聚合一致的偏差信息并抑制随机波动。在线预测时，GRAM 检索并扩展与当前查询相关的原型，为各预测步生成校正量，细化原始 TSFM 输出。摘要未给出幅度定义、原型构建规则、图连接方式或校正器训练细节。 结果与核对事项：作者报告，在多个数据集和基础模型上获得一致的预测改进，但摘要未提供数据集名称、指标、数值、划分或对照配置，不能据此判断收益大小与统计稳定性。实验协议、消融及统计信息尚未验证；复现时需核对历史误差记忆的构建时间范围、在线可用信息、记忆更新机制，以及 AMM 与 PGM 的独立贡献。 平台推测（待验证）：若 EEG 连续信号预测存在可重复的模型偏差，该机制可能用于冻结预测模型的残差校正，但不等同于已验证的 BCI 解码收益。其依赖具有真实后续观测的历史窗口和相对稳定的误差结构；可复用误差原型与图聚合思路，需改造多通道幅度处理及被试、会话间检索策略。低信噪比、通道差异和小数据可能使原型主要反映噪声或个体差异。可在严格按时间划分的单一 EEG 连续预测任务中，对比冻结模型、直接残差检索和 GRAM 式校正，检验图聚合是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 GRAM 将检索对象从历史真实未来值转向模型误差原型的设计，尤其是幅度归一化与图聚合能否稳定提取冻结模型的系统性偏差；具体收益及适用边界尚未验证。

10月3日周六
  1. arXiv · 时序与音频基础模型73

    QiYao-I：用于不规则多变量时间序列预测的基于流形的基础模型

    基于摘要分析。QiYao-I 面向不规则采样、变量间异步记录的多变量时间序列预测，试图解决主要建立在规则采样序列上的时序基础模型难以处理不规则时间间隔与异步变量依赖的问题。其核心贡献是采样条件化的时间流形注意力，以及具有频率感知能力的动态变量交互机制。 机制方面，前者将真实时间戳映射到可学习的时间流形特征空间，并向注意力层注入时间流形偏置，以表征不规则时间间隔和局部采样结构；后者在异步观测条件下选择性地进行跨变量消息传递。摘要未说明流形的具体定义、频率感知的实现、消息传递的选择规则或训练目标，这些细节尚未验证。 作者报告，在真实世界的不规则多变量预测基准上，QiYao-I 相比时序基础模型和端到端不规则预测模型取得更优表现，并在零样本、少样本设置下展现较强泛化能力。摘要未提供数据集名称、划分方式、指标、具体数值及基线配置，因此无法判断优势幅度或比较条件；预训练数据规模、实验协议、消融及统计信息尚未验证，模型权重与研究实现的可用性也尚未验证。 平台推测（待验证）：若 EEG 或多模态神经记录存在缺测、不同采样率或异步时间戳，这两类机制可能用于保留真实时间结构、减少强制重采样造成的信息损失；但这是假设，不构成已验证的 BCI 效果。可考虑复用时间戳编码与异步消息传递，需改造通道表示、采样条件及任务输出。低信噪比、跨被试差异和小数据可能使采样结构成为伪相关，而同步、规则采样 EEG 未必受益。一个可证伪的小实验是在固定被试划分的 EEG 预测任务中引入可控缺测和时间抖动，对比保留真实时间戳与规则重采样的方案，并检验优势是否随不规则程度变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将真实时间戳与采样结构纳入注意力、并在异步观测下建模变量交互；作者报告的零样本与少样本优势仍需结合全文中的数据划分、基线及统计信息核对。

  2. arXiv · 表征与预训练76

    通过表征多样性与多分支架构扩展无线基础模型

    基于摘要分析。该研究关注预训练数据有限时，扩大无线基础模型容量未必稳定改善下游表现的问题，提出将自监督目标多样性作为另一条扩展路径：通过组合重建、预测与对比学习所强调的不同信号属性，支持多种下游任务。 方法包含两个阶段：首先融合由不同目标独立训练的编码器所产生的冻结表征，以检验目标互补性的收益，但这需要维护多个编码器；随后设计联合训练的多分支架构，以共享主干和目标专属分支，在标准单目标编码器的参数预算内保留多目标收益。摘要未给出具体损失、融合方式、分支结构及训练配比。 作者在包含 spectrogram 与 channel state information 的异构语料上预训练，并评估覆盖通信、感知和定位的六项下游任务。作者报告，在输出嵌入维度相同的条件下，融合方法在全部六项任务上优于所评估的单目标编码器，参数量约为其三分之一；这一参数比例的统计口径需查阅全文核对。作者报告，多分支架构在单编码器参数预算内保留了大部分融合收益。表征分析显示不同目标具有互补贡献，新增收益中相当一部分保留于与重建表征子空间正交的成分。具体数据集、划分、指标、对照配置、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，重建、预测与对比目标可能分别保留 EEG 中不同的时频和判别信息，为有限数据下单一预训练目标的信息偏向提供补充。可复用的是共享主干、目标专属分支及表征互补性分析；需改造的是 EEG 输入表征、预测任务和对比样本构造，并确认所用无标签数据规模足以支撑联合训练。低信噪比可能使重建目标保留伪迹，跨被试及通道差异可能引入非任务信息，小数据下也可能出现目标冲突。可检验的小实验是在固定 EEG 数据划分、参数预算、嵌入维度及下游评估协议下，比较单目标编码器与多目标多分支模型，并检验增益是否伴随互补表征，而非仅来自训练投入变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究通过冻结表征融合与共享主干多分支架构两条路径检验自监督目标多样性的价值，值得核对其参数统计、任务评估与表征互补性分析，但迁移至 EEG 的收益尚未验证。

  3. arXiv · 表征与预训练80

    ZeroMAG：面向即插即用 EEG 基础模型的零样本多模态适配器生成

    基于摘要分析。ZeroMAG 研究如何在保留 EEG 基础模型预训练知识的同时，利用伴随生理信号扩展到异构多模态记录。其核心贡献是从无标签目标记录推断并生成适配器，在冻结 EEG 编码器与预测头的条件下实现多模态扩展，不使用目标标签，也不进行目标端优化。 机制上，ZeroMAG 以不随模态配置变化的适配器组织伴随模态，从无标签记录及任务上下文构建“模态—被试—任务”条件，并在由源适配器学习得到、受功能约束的潜在空间中生成适配器权重。这一路径区别于直接回归权重：生成过程不仅依赖权重表征，还通过功能监督约束表征学习与条件生成。具体适配器结构、条件编码方式、功能监督定义及损失形式尚未验证。 作者报告，在六个留出的目标数据集和三个 EEG 基础模型骨干上，ZeroMAG 的 Balanced Accuracy 相比仅使用 EEG 的推理平均提高 7.22 个百分点，相比直接权重回归提高 4.89 个百分点，与有监督多模态适配的平均差距在 0.50 个百分点以内。作者明确说明，目标数据集未参与 ZeroMAG 流程中的任何模型训练与选择；摘要未给出具体数据集、任务、伴随模态、被试数量及被试内或跨被试等划分协议，因此这些平均结果不能直接外推至特定 BCI 场景。 作者报告，移除表征学习或条件生成任一阶段的功能监督都会降低生成适配器的表现，支持两个组件的贡献。复现时需核对源适配器的训练与监督来源、任务上下文的可用信息、无标签目标记录的使用范围，以及有监督多模态对照的协议。实验协议、消融及统计信息尚未验证；对低信噪比、不同通道配置和伴随模态变化的稳健性也尚未验证。

    阅读价值：值得核对其利用无标签目标记录生成多模态适配器的机制，以及目标数据集隔离与功能监督的实现；作者报告的结果为冻结 EEG 基础模型的零样本多模态扩展提供了具体评估依据。

10月2日周五
  1. arXiv · 表征与预训练76

    少测量，多获知：自监督测试时特征采集

    基于摘要分析。本文研究多模态、高维系统在测试时如何避免昂贵且冗余的全量测量，并在下游任务或预测目标未知的情况下，顺序选择有信息量的模态。作者提出任务无关的自监督模态采集原则 ECHO-k，以深度模型的内部预训练表征作为代理目标，用于概括跨模态信息并指导采集。 核心机制是以表征目标替代特定下游任务的监督信号。作者在简化的线性设定下提供理论保证，并据此构建用于顺序模态选择的强化学习（RL）策略。摘要未说明代理目标的具体构造、优化损失、策略状态与奖励，以及采集成本如何计入预算，相关实现细节尚未验证。 作者报告，在与任务无关、无标签的采集基线比较时，ECHO-k 在多种基础模型后端上持续改善预算约束下的下游性能。摘要未提供数据集、预算定义、评估划分、指标或改善幅度，不能据此量化收益或比较不同协议；实验协议、消融及统计信息尚未验证。线性设定下的理论保证也不能直接视为复杂非线性多模态场景的保证。 平台推测（待验证）：该机制可能用于 EEG 与其他模态联合测量时的成本控制，或经改造后用于 EEG 通道组选择。迁移假设依赖预训练表征能够保留下游所需信息，以及模型能够处理部分观测；可复用代理表征目标和顺序采集策略，但需改造观测接口、采集动作与成本定义。EEG 的低信噪比、跨被试差异、通道相关性及小数据可能导致策略追逐不稳定表征，或忽略任务关键但表征不敏感的信息。一个可检验的小实验是固定预训练编码器，在相同采集预算与跨被试划分下，比较代理表征驱动的通道组选择与随机、固定通道组选择，并仅在最终评估阶段使用下游标签；该实验属于迁移验证建议，并非原文结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以预训练内部表征作为代理目标、在下游任务未知时学习预算约束下模态采集策略的机制，但其在 EEG/BCI 中的有效性尚未验证。