跳到正文
只看一手#Time Series
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72

    重新审视媒体桥接时序预测中的身份与频谱离散：关联多变量信号与叙事流

    基于摘要分析。研究针对多变量数值预测与文本辅助多模态预测依赖不同关系、融合和时序模块的问题，提出 Multimedia Identity-Aware Prism Network（MIDAPN），尝试建立共享的时空预测骨干。其核心是结合媒体通用图适配与自动时序学习，处理跨媒体身份区分及时间尺度不匹配。 机制方面，方法以媒体预对齐为前提：Multimedia Identity-Aware Graph（MIDAG）从静态本质、动态行为和潜在共性构建亲和关系，将变量间依赖扩展到跨媒体关系；Contextual Identity Modulation（CIM）进一步细化具有区分性的聚合。Spectral Prism Convolution（SPConv）承担层次化时间分析，平衡粗粒度趋势与细粒度细节，Adaptive Search Guidance 则配置适合时间维度重建的尺度高效架构。具体图构建、频谱操作、搜索空间、损失与训练流程尚未验证。 作者报告，在涉及 13 个多变量数据集、12 个多模态数据集及 16 个被称为 SOTA 的 TSF 对照模型的评估中，MIDAPN 表现出持续优势和共享骨干兼容性；摘要还提及面向长上下文、与 14 个时序基础模型及融合预训练语言模型的针对性比较。摘要未提供数据集名称、划分、预测跨度、指标和具体分数，不能据此量化提升或判断不同协议间的可比性。实验协议、消融及统计信息尚未验证。摘要提供了代码链接，但实现完整性与复现条件尚未核对。 平台推测（待验证）：迁移假设是将 EEG 通道视为变量，利用图适配处理通道依赖，以层次化时间分析处理多尺度动态；若加入事件描述等文本，还需要可靠的时间与语义预对齐。可尝试复用图聚合和时间分析模块，但需改造通道身份表示及媒体对齐流程。低信噪比、伪迹、跨被试差异、通道缺失和小样本可能使亲和关系或尺度搜索不稳定。一个可证伪的小实验是在固定跨被试划分的 EEG 预测任务中，比较完整方法、移除 CIM 的版本与固定时间尺度版本，保持预处理和训练预算一致，检验预测误差及通道缺失下的稳定性；预测收益不等于 BCI 解码收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 MIDAPN 如何以媒体通用图适配和自动时序学习统一数值与文本辅助预测，以及其优势是否依赖媒体预对齐；对 EEG 的适用性尚未验证。

  2. arXiv · 泛化与分布偏移75

    SR-TTA：用于抗干扰呼吸感知的空间冗余测试时自适应

    基于摘要分析。该研究面向无蜂窝大规模 MIMO 基站的呼吸感知，研究如何将 64 天线信道融合为呼吸波形，并在运动干扰频率落入呼吸频带时维持可靠估计。作者提出学习型复数权重波束形成器与空间冗余测试时自适应 SR-TTA，以空间零陷抑制干扰，再利用部署阶段的无标签信号进行适应。 核心机制是最大化随机天线子集之间的输出一致性，同时施加带外频谱否决约束。作者指出，单靠频率或方差准则无法区分带内干扰与呼吸；空间冗余则提供了不同于频谱特征的适应依据。摘要称，该方法在其测试中保持了良性条件下的性能，并可缩小与逐记录 oracle 的差距；一致性计算、频谱约束、训练目标与测试时更新细节尚未验证。 作者报告，在模拟带内干扰条件下，呼吸率误差由 5.8 降至 0.8 breaths per minute（bpm）；摘要未明确该数值比较的基线与误差统计定义。在真实测试平台记录上，一次性跨被试校准结合 SR-TTA 将失败率从 47% 降至 7%，达到采用无标签测试时自适应的手工融合器水平。失败判据、被试数量、划分、校准所需监督、消融及统计信息尚未验证。作者还提出将流程映射至 O-RAN：由 O-DU 执行距离门控，xApp 执行适应，rApp 执行校准；摘要不足以确认实际部署情况。 平台推测（待验证）：其可迁移假设是，多通道 EEG 的不同通道子集若保留共同任务信号，子集一致性或可作为无标签适应依据，对应跨被试或跨会话中的空间分布变化。但天线阵列的空间零陷机制不能直接等同于 EEG 通道融合；需改造复数权重、子集采样及频谱约束。低信噪比、共同伪迹、通道缺失与小样本可能使一致性强化干扰而非神经信号。可在固定的跨会话 EEG 划分上比较冻结模型与子集一致性适应，并加入共同伪迹检验失效条件；测试标签仅用于评估。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作者以随机天线子集间的一致性构造无标签测试时自适应信号，针对带内运动干扰下频率与方差准则难以区分目标和干扰的问题提供了可核对的机制与实验结果。

  3. 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。

  4. arXiv · 泛化与分布偏移73

    MotiveMob：以动机为语义行动的闭环人类移动轨迹生成

    基于摘要分析。该研究面向用户层面与时间分布偏移下的人类移动轨迹生成，提出动机驱动的自回归框架 MotiveMob，将每一步移动拆分为“为什么移动”以及“去哪里、何时到达”的决策过程，并通过候选状态检查与反馈构成闭环。 核心机制是：动机预测器结合当前移动状态、长期行为报告和移动历史，推断下一步可能的动机，或决定终止轨迹；状态预测器依据该动机联合生成候选地点与到达时间。候选状态经过速度可行性和重复检查后，反馈给下一步决策。相较于摘要所述的日计划、轨迹级粗粒度意图描述或直接预测未来地点的方法，其区别在于显式构造逐步动机假设，并将其与状态生成及约束检查衔接。动机的监督来源、长期行为报告的构建方式、训练目标和检查失败后的处理方式尚未验证。 作者报告，在未见用户及未见时间段的分布偏移评估中，包括季节变化和 COVID-19 疫情引起的行为扰动，MotiveMob 相较具有竞争力的预训练式与提示式方法取得更好的分布保真度。摘要未提供数据集、划分细节、指标定义、具体数值或基线名称，实验协议、消融及统计信息尚未验证；因此不能据此量化收益或认定动机机制本身带来了全部提升。 平台推测（待验证）：其可迁移思路是以高层语义假设约束低层时序生成，而非直接迁移城市轨迹模型。假设在具有任务阶段或意图标注的 EEG 数据中，可复用“语义状态—观测生成—约束反馈”的分解，但需重建 EEG 状态表示、监督信号及生理可行性检查；地点、到达时间和速度约束不能直接沿用。低信噪比、跨被试及通道差异可能使语义假设不稳定，小数据下闭环反馈还可能累积错误。可在同一跨被试划分下，对比直接时序生成与加入任务阶段条件的生成，并消融反馈检查，检验其是否改善预先定义的信号保真度及下游解码表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其逐步动机假设、状态生成与可行性反馈如何改善分布偏移下的轨迹保真度，但动机模块的独立贡献及向 EEG/BCI 迁移的有效性尚未验证。

  5. arXiv · 泛化与分布偏移72

    室内空气质量监测中的低成本传感器校准：数据集、评估场景与轻量模型

    基于摘要分析。研究针对低成本室内空气质量传感器的非线性失真、噪声与时间漂移，提出包含参考传感器测量的数据集、四类评估场景及轻量时序校准模型，旨在缓解传统严格成对校准对各部署地点共址参考传感器的依赖，并评估空间与时间异质性。 数据集覆盖五个地点、六个月的多变量室内空气质量测量，包含低成本传感器、参考传感器及上下文元数据。四类场景分别为 reference-efficient、location-transfer、long-term drift 和 event-conditioned：前两类评估空间泛化，后两类评估对渐进及突发分布偏移的稳健性。具体参考数据用量、地点划分、时间切分与事件定义尚未验证，不能将这些场景视为统一难度的测试。 模型结合输入窗口压缩、残差时序融合与特征融合，设计目标是兼顾校准能力和边缘推理成本。作者报告，在上述四类场景中均取得较强校准表现且边缘推理成本较低；摘要未提供具体指标、数值、对照基线或设备条件，损失函数、训练流程、消融及统计信息尚未验证。 平台推测（待验证）：其空间迁移与时间漂移评估思路可能对应 EEG 的跨被试、跨会话分布偏移，但原任务依赖低成本与参考传感器测量，不能直接等同于 EEG 解码监督。可考虑复用窗口压缩与时序、特征融合思路，需改造通道表示、输出目标和监督方式；EEG 低信噪比、通道差异及小数据可能使压缩丢失判别信息。一个可检验的假设是：在固定训练数据量和相同跨会话划分下，比较加入与不加入窗口压缩的同一 EEG 模型，检验推理成本降低是否伴随解码性能损失。已有 EEG 相关工作尚未检索确认。

    阅读价值：该工作将低成本传感器校准拆分为空间泛化、长期漂移与事件条件下的评估场景，值得核对其划分协议及轻量时序模型如何应对不同分布偏移，但摘要中的性能与推理成本结论尚待全文验证。

  6. arXiv · 时序与音频基础模型76

    RideBench：面向网约车时间序列预测的大规模外生信息感知基准

    基于摘要分析。该研究针对天气、节假日和大型活动影响下的网约车时间序列预测，发布由 DiDi 市场数据合成的 Ride-Hailing 数据集，并构建外生信息感知预测基准 RideBench，以评估常规及长预测范围下现有方法的适用性。 数据与评估：Ride-Hailing 覆盖 200 个空间区域、连续四年的半小时时间序列，包含 Weather Disturbance、Holiday Effect 和 Large-scale Event Impact 三类代表性外生场景。RideBench 设置未来一周预测与未来八周预测，后者最多包含 2,688 个预测步；评估超过 30 种方法，包括仅使用内生信息的模型、外生信息感知模型及时间序列基础模型。摘要未给出数据合成细节、训练与测试划分、具体模型名单及指标定义，这些内容尚未验证。 作者报告：在未来一周预测中，未来已知外生变量带来明显收益，尤其是在天气、节假日及大型活动场景下；但现有外生信息感知模型仍难充分捕捉复杂外部条件引发的模式变化。在未来八周预测中，现有模型难以同时兼顾低逐点误差、准确的整体趋势和可靠的近期预测。摘要未提供具体分数、对照差值或统计不确定性，不能据此量化收益或排序模型；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴价值主要在评估设计，而非已证实的 EEG 算法。假设任务日程等真正提前可知的上下文能够帮助 EEG 状态预测，可复用“内生信息与外生信息分开对照”的思路；但需改造空间区域与半小时序列的组织方式，以适配被试、通道和 EEG 时间尺度。低信噪比、跨被试差异及小数据可能削弱收益。一个可证伪的小实验是在固定跨会话划分下，对比同一预测模型使用或不使用预先确定的任务日程，核对不同预测范围的误差，并确保外生信息在预测时确实可用。该假设不等于已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对未来已知外生变量与长预测范围的评估设计，但作者报告的收益尚需结合数据划分、外生信息可用性和具体指标核对，不能直接视为 EEG/BCI 的迁移证据。

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。

10月6日周二
  1. arXiv · EEG 与神经表征80

    传感器几何作为多通道脑信号的 Flow-Matching 先验

    基于摘要分析。本文研究多通道脑信号生成中如何利用已知的传感器空间结构，将通常采用的各向同性高斯源替换为由传感器几何构造的相关高斯源，使 flow-matching 从空间相干模式而非通道独立噪声出发。 核心机制是仅依据传感器坐标构建 k-nearest-neighbor 图，再以图拉普拉斯的 graph-Matérn 函数构造源协方差。其动机是 EEG 电极位置与颅骨、头皮中的容积传导会形成部分跨被试共享的邻近通道协变结构。作者称，该替换不增加可学习参数，可与任意 coupling 和 drift network 配合，并在所有数据集上使用相同的三个超参数；具体参数、图构建及数值实现尚未验证。 作者报告，在八个 EEG 数据集、四种 flow-matching 方法的评估中，该先验在多数数据集上降低生成信号与真实信号在五个临床频带中的频谱差异（PSD-KL）。按方法分别计算，跨数据集的 PSD-KL 几何均值下降 12%–17%；在文中所述电极布局最密集的 PhysioNet-MI 上，下降最高达 40%。这些数值反映生成频谱指标的相对改善，不等同于 MI 分类 Accuracy 或 BCI 性能提升；数据划分及被试内、跨被试或跨会话协议尚未验证。 机制对照方面，作者报告：保留特征值谱但随机化空间特征向量后，收益消失，支持局部传感器图的空间特征向量具有作用；直接根据经验数据协方差拟合的先验反而劣于各向同性噪声。作者还报告，同一构造无需改变即可应用于 MEG、具有患者特定电极网格的颅内 EEG，以及交通传感器网络，并在各场景的每种方法上降低 PSD-KL；具体数据与协议仍待全文核对。 复现需核对传感器坐标、通道对应关系、三个超参数、各方法的源分布对照，以及 PSD-KL 的频带定义和汇总方式。实验协议、消融细节及统计信息尚未验证，频谱改善是否同时保留任务相关脑活动也尚未验证。

    阅读价值：值得核对和复现的是：仅用传感器坐标构造、无需新增可学习参数的源分布先验能否稳定改善 EEG 生成的频谱一致性，以及空间特征向量随机化对照是否支持其几何机制解释。

  2. 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。

  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。

  5. arXiv · 时序与音频基础模型73

    用于多变量时间序列的逆交叉谱神经网络

    基于摘要分析。该研究针对 CoVariance Neural Networks 及其扩展难以充分刻画多变量时间序列中时间依赖与变量间依赖联合结构的问题，提出 Inverse Cross-Spectral Neural Networks（iCSNNs）。其核心贡献是将逆交叉谱密度（iCSD）矩阵用作图移位算子，为平稳多变量时间序列建立随频率变化的条件依赖表示。 机制上，iCSNNs 利用谱表示定理提供的分解，以 iCSD 算子编码各频率下变量间的条件关系；进一步利用谱平滑性，将频率划分为共享同一 iCSD 算子的频带，在保留频率依赖结构的同时获得紧凑参数化。作者还提出联合学习过程，同时估计 Fourier 域依赖结构与 iCSNN 参数，使图算子适应下游任务。具体损失、频带构造方式、谱估计与矩阵求逆的稳定化处理尚未验证。 作者报告，在合成数据测试中，iCSNN 优于来自不同方法类别的基线。摘要未给出具体任务、数据生成过程、划分协议、基线名称及指标数值，因此目前不能判断优势幅度或适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析窗口可近似满足平稳性，频率特异的条件依赖图可能用于表征通道间关系，补充仅使用协方差的表示。可复用部分是频带共享算子和任务驱动的结构学习；需改造部分包括 EEG 分窗、谱估计、通道变化处理及小样本下的逆矩阵正则化。低信噪比、非平稳性、跨被试分布差异及通道高度相关可能使 iCSD 估计不稳定。一个可检验的小实验是在固定 EEG 数据划分、匹配分类器容量与调参预算的条件下，对比协方差图与 iCSD 图表示，并检验窗口长度和通道扰动对性能的影响。相关 EEG 工作尚未检索确认，不能将合成数据优势视为已证实的 BCI 效果。

    阅读价值：值得核对其以逆交叉谱密度构造频率特异条件依赖图、并联合学习图算子与任务参数的机制，但摘要仅报告合成数据结果，对 EEG 的适用性尚未验证。

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。

  4. arXiv · EEG 与神经表征74

    基于腕戴式可穿戴加速度测量与深度学习的无创癫痫发作检测

    基于摘要分析。本研究针对癫痫发作日记漏报及院内视频 EEG（VEEG）监测的使用限制，探索以单个腕戴式加速度计和深度学习实现无创发作检测。研究以同期 VEEG 的专家标注作为监督，构建基于时间序列 ResNet 的深度神经网络，区分发作与非发作事件；检测输入为腕部运动信号，而非 EEG，也不属于 BCI 解码研究。 数据与方法：作者招募了 79 名接受 VEEG 监测的患者佩戴加速度设备，由具有专业认证的癫痫专科医生复核同期 VEEG，标注发作起始、结束及类型。摘要提出系统面向多种发作类型及较短事件，但未说明输入窗口、预处理、网络结构细节、损失函数或训练与测试划分。 结果：作者报告，在总计 5576 小时记录的评估中，发作检测敏感度为 95.65%，总体误报率为每 24 小时 0.15 次。作者另报告，在经历 46 次惊厥性发作的 20 名患者上，平均 AUC-ROC 为 0.98、AUC-PRC 为 0.67。两组结果的评估范围、患者级平均方式及事件匹配规则需核对全文，不能据此推断对所有发作类型均具有相同效果。 适用边界与复现：作者认为结果支持长期院外监测的应用潜力，并计划在更大数据集及更多发作类型上验证；当前摘要所述数据采集发生于 VEEG 监测环境，院外泛化尚未验证。需进一步核对是否采用被试内或跨被试划分、检测阈值与延迟、短事件表现、日常动作干扰、对照基线及统计不确定性。实验协议、消融及统计信息尚未验证，代码与数据可用性亦尚未验证。

    阅读价值：值得核对其以 VEEG 专家标注训练腕部加速度时序 ResNet 的检测方案，尤其是长时记录下的误报率与患者级评估协议；摘要中的住院监测结果尚不能直接证明长期院外使用效果。

  5. arXiv · 时序与音频基础模型73

    FreSia：用于多变量时间序列分析的频率–语义实例化与对齐

    基于摘要分析。FreSia 针对 LLM 难以从离散数值 token 中感知多变量时间序列的季节性与趋势结构的问题，提出频率感知框架，将时间序列的频率空间与 LLM 的语义空间对齐，用于改善时序分析。 核心机制包括 Frequency-Guided Prompt（FGPrompt）与 Global-driven Context Learning（GCL）。FGPrompt 提炼时间序列的频域结构，并将其映射为适配 LLM 语义空间的提示；GCL 使用全局 CLS 驱动的探针生成全局上下文，以衔接时域与频域并融合多模态信息。相较摘要所述的直接数值 token 化或启发式文本描述，其方法重点在于显式利用频域结构，而非仅改变数值的输入表达。具体频域表示、提示构造、模态定义、训练目标及 LLM 更新方式尚未验证。 作者报告，在八个预测基准上，FreSia 的 MSE 和 MAE 平均改善幅度分别为 13.48% 和 8.06%。摘要未明确基准名称、数据划分、预测跨度、对照基线及平均方式，因此这些数字仅能作为该预测评估范围内的作者报告，不能跨协议比较。摘要虽提及异常检测的研究背景，但未提供对应结果；实验协议、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，将多通道 EEG 的频谱结构转为语义提示，可能帮助模型利用节律信息；但原研究针对季节性、趋势与预测误差，不等同于 EEG 解码。可考虑复用频域提示和全局上下文思路，同时改造通道表达、时间窗及任务监督。低信噪比、非平稳性、跨被试频谱差异和小数据规模可能使提示更突出伪迹或个体特征。一个可检验的小实验是在固定 EEG 数据划分、骨干与训练预算下，对比数值输入和增加频域提示的输入，分别评估被试内与跨被试性能，并以打乱频域提示检验收益是否确实依赖频谱结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其频域结构到 LLM 语义提示的对齐机制及 FGPrompt、GCL 的独立贡献，但摘要中的预测收益不能直接视为 EEG/BCI 有效性证据。

  6. arXiv · 时序与音频基础模型75

    通过正交化自适应估计发现存在混杂的时间序列中的因果滞后结构

    基于摘要分析。该研究针对多变量时间序列中有向因果关系及其滞后的识别问题，提出 ORACLE-VARX，将非线性混杂调整、自适应滞后选择和错误发现率（FDR）控制整合到同一流程，并面向结构随时间变化的情形进行估计。 核心机制分三步：首先用 double/debiased machine learning（DML）从结果变量及滞后序列中去除非线性混杂效应；随后通过 adaptive causal lag estimation（ACLE）的序贯显著性检验，在每个时间步选择滞后阶数，以跟踪状态变化；最后使用逐元素 z 检验及 Benjamini–Hochberg 校正，在目标 FDR 下筛选有向边。作者报告，在每个滚动窗口内，去偏系数围绕窗口平均目标渐近正态，因而相应 z 检验具有渐近有效性。该结论依赖的具体假设、窗口设置及其与自适应选择的关系尚待正文核对。 在具有时变结构和非线性混杂的合成基准上，作者报告 ORACLE-VARX（LightGBM）的滞后阶数估计 RMSE 为 0.96，对照方法为 1.1–1.5；边 FDR 为 0.047，与 PCMCI 的 0.045 接近，低于 VAR 的 0.129 和 VAR-LiNGAM 的 0.187。作者还报告其预测表现优于上述三种方法，但摘要未给出预测指标及数值。在纳入宏观经济混杂变量的九只美国行业 ETF 数据上，作者报告得到可解释的因果图，且高波动状态下滞后阶数上升。数据划分、混杂变量的可观测性与充分性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于探索 EEG 中随状态变化的滞后依赖，但原领域结果不等于已验证的 EEG 因果识别能力。可复用模块包括 DML 残差化、ACLE 和多重检验；需改造时间尺度、窗口长度、混杂协变量及通道表示。低信噪比、体积传导、未观测共同源和短窗口样本不足均可能使边解释失效。一个可检验的小实验是在具有已知有向滞后、状态切换及共同源混杂的 EEG 仿真信号上，对照固定滞后 VAR 与 PCMCI，检验滞后估计误差及边 FDR 能否保持；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 ORACLE-VARX 如何将非线性混杂调整、时变滞后选择与 FDR 控制结合，尤其是滚动窗口推断的成立条件及滞后选择对后续显著性检验的影响。

10月4日周日
  1. 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。

  2. 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。

  3. arXiv · 时序与音频基础模型76

    LogSig-SSM：面向状态空间模型的多尺度 log-signature 压缩时序建模

    基于摘要分析。LogSig-SSM 针对高频、不规则采样且具有长程依赖的多变量时序，先以多尺度窗口化 log-signature 将长序列压缩为较短的 token 序列，再用选择性状态空间模型（SSM）建模长程依赖，旨在兼顾连续时间方法的输入表征能力与 SSM 的计算效率。 核心机制是由 log-signature token 表征高阶跨通道交互，再交由选择性 SSM 骨干处理。作者将其定位为对 NCDE、NRDE 长序列扩展成本，以及 Mamba 单个模块内隐维度间递归混合受限问题的回应。摘要还给出连续时间解释：模型可视为由 log-signature 输入驱动的 NCDE/NRDE 风格系统，选择性机制对应潜在动力学的输入依赖重缩放。窗口尺度、log-signature 截断阶数、损失、训练配置及具体骨干实现尚未验证。 作者报告，在 UEA 长序列分类、PPG-DaLiA 高频生理信号回归、多变量天气预测及 PhysioNet Sepsis 不规则采样临床预测四类基准上，LogSig-SSM 优于或匹配较强的 SSM 与连续时间基线；在最长序列上，相比 Mamba，训练速度最高提升至 30 倍，GPU 显存用量最高减少 37 倍。摘要未明确这些效率极值分别对应哪个基准、硬件与配置，也未提供各任务指标、数据划分或不确定性；实验协议、消融及统计信息尚未验证，不能据此认定所有任务均有同等收益。 平台推测（待验证）：迁移假设是，EEG 长序列中的跨通道交互可由窗口化 log-signature 保留，并在压缩后供 SSM 利用。可复用压缩与序列建模思路，但需适配 EEG 通道排列、时间编码及窗口尺度；低信噪比可能使高阶交互放大噪声，通道变化和跨被试差异可能削弱表征稳定性，小数据也可能限制学习。一个可证伪的小实验是在固定 Cross-subject 划分、预处理与训练预算下，对比原始 EEG 输入的 Mamba 与 LogSig-SSM，同时记录分类指标、训练耗时和峰值显存，并改变窗口尺度检验是否牺牲任务信息。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对多尺度 log-signature 压缩能否在保留跨通道交互的同时降低长序列建模成本；摘要中的效率优势有明确比较对象，但具体协议及向 EEG 的迁移效果尚未验证。

  4. 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。

  5. arXiv · 表征与预训练75

    KALEIDO：通过门控折叠几何实现视觉模型用于时间序列预测的输入空间适配

    基于摘要分析。KALEIDO 研究如何将 ImageNet 预训练的 masked autoencoder 用于时间序列预测，核心贡献是将序列渲染的折叠几何作为可控制、可混合的适配维度，以缩小时间序列图像与自然图像之间的差异。 方法先检测主导周期，按规则生成一组折叠几何，将序列渲染成图像并通过图像补全获得预测；随后使用仅在验证集上拟合的逐位置凸组合门控融合各几何的补全结果，再以一个固定融合比例与零样本基线输出结合。作者称，除基线已公布的设置外，不引入逐数据集超参数。这里的验证集门控拟合应与基线的零样本属性区分，完整的数据划分、验证信息使用方式及推理流程尚未验证。 作者报告，在 LTSF 上，仅训练 LayerNorm、所训练参数占比为 0.05% 时，相对已公布的零样本基线，MSE 降低 13%；冻结模型时，MSE 降低 6.6%。在 GIFT-Eval 上，作者报告相对基线的 MASE 改善 7.4%、CRPS 改善 19.3%，但摘要未明确这两项结果对应冻结模型还是 LayerNorm 适配。具体预测长度、任务聚合方式、门控拟合规模、消融及统计信息尚未验证，不宜跨协议直接比较这些结果。 平台推测（待验证）：该机制可能用于具有周期结构的 EEG 时间序列预测，但不能据此推断 BCI 解码收益。可复用部分是周期检测、多几何渲染和门控融合；需改造的是多通道组织、幅值归一化及预测任务接口。低信噪比、非平稳周期、跨被试差异及小验证集可能使周期估计或门控不稳定。可检验的小实验是在同一 EEG 预测任务与严格分离的数据划分下，对比单一几何、多几何均匀融合及验证集门控，检查收益是否在跨会话测试中保持。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其周期感知折叠几何与验证集门控如何改善视觉模型的时序预测，尤其是冻结模型的收益及验证集适配与零样本评估的协议边界。

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 · 时序与音频基础模型75

    SEER：面向时间序列预测的自演进事件推理与检索

    基于摘要分析。该研究针对外生事件与结构变化驱动的时间序列预测，提出 SEER（Self-Evolving Event Reasoning and Retrieval）闭环框架，通过预测误差持续优化外部事件条件信息，试图弥补仅依赖历史数值观测及常规检索增强方法的不足。 核心机制是将预测误差转化为两种解耦反馈：一是反思式检索记忆，用于改进后续搜索查询并过滤无关噪声；二是持久化因果知识库，用于提炼可迁移的领域动态规律。摘要将高噪声、信号缺失及事件影响的因果推理能力不足列为常规检索增强方法的难点，但尚未给出 SEER 的具体知识表示、更新规则、训练目标或预测器接口。因果知识库的命名也不等同于已完成因果识别验证。 作者报告，在六个高波动时间序列基准上，SEER 持续优于所比较的先进时间序列基础模型及语言模型基线。摘要未提供基准名称、划分、预测跨度、指标、数值或基线配置，因此尚不能判断优势幅度及不同协议下的适用范围。作者称事件检索与反思均遵守严格时间边界，以防止前视偏差和数据泄漏；具体实施方式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 预测任务具有带可靠时间戳的外部事件或上下文记录，可假设检索记忆与领域知识积累有助于应对状态变化；这不构成已验证的 EEG/BCI 效果。可复用的是反馈分离思路，需改造事件表示、检索源及反馈更新时机。低信噪比、被试差异、通道变化和小数据可能使误差反馈误归因并积累错误知识。一个可检验的小实验是在固定 EEG 预测任务与按时间划分的协议下，对比数值预测器、静态事件检索与闭环反馈，并分别关闭两类反馈，检查收益是否稳定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是 SEER 如何将预测误差分别用于检索记忆更新与因果知识积累，以及检索和反思的时间边界如何落实；其性能优势目前仅有摘要中的作者报告。

  3. arXiv · 表征与预训练80

    RNADyn：用于生成与理解 RNA 动力学的基准

    基于摘要分析。该研究针对静态结构难以完整描述 RNA 构象变化、标准化动力学数据有限，以及轨迹生成与动力学理解通常分离的问题，提出 RNA 分子动力学（MD）基准 RNADynBench，并构建统一模型 RNADynNet，将全原子轨迹生成与动力学表征学习连接起来。 数据与机制：作者提供了 2585 条经过质量控制、每条时长为 100 ns 的全原子 MD 轨迹，并采用防泄漏数据划分。RNADynNet 使用共享骨干，从单个构象同时支持轨迹生成与动力学指纹提取；其机制结合坐标去噪、单帧到轨迹对齐及物理约束（physical grounding）。具体网络结构、损失形式、物理约束定义与数据划分依据尚未验证。 结果：作者报告，在两个测试集上（其中包含高柔性挑战集），生成轨迹的 RMSF 相关性分别为 0.875 和 0.766；摘要未明确两个数值与各测试集的对应关系。作者还报告，单构象预测与 MD 推导的动力学具有相近的一致性，物理约束能够改善生成动力学及指纹中可恢复的物理信息。上述相关性不等同于完整轨迹精度，仍需结合正文核对指标计算、对照基线、消融与统计不确定性。 适用边界：该工作直接面向 RNA 分子动力学，而非 EEG 或 BCI。其建模依赖原子坐标与分子物理结构，不能据此推定对神经信号有效。平台推测（待验证）：生成与动力学表征共享骨干的思路可供时序建模参考，但 EEG 并不具有相同的坐标监督与物理约束条件，因此暂不提出直接迁移结论。相关 EEG 工作尚未检索确认；数据获取方式、实现开放情况、实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读之处在于将标准化 RNA 动力学基准与生成、表征共享骨干的模型结合，可重点核对物理约束如何改善轨迹与动力学指纹，以及防泄漏划分的具体实现。

10月2日周五
  1. arXiv · 表征与预训练80

    利用非平稳性学习具有瞬时与滞后关系的因果表征

    基于摘要分析。研究针对时间序列中潜在状态及其因果关系的识别问题，同时考虑跨观测间隔的滞后关系与间隔内较快作用表现出的瞬时关系。作者提出相应的可识别性充分条件，并据此构建 iCReN，通过非平稳信息与对比学习学习潜在表征、估计两类因果结构。 核心机制是利用与转移噪声分布变化相关的可观测辅助变量，例如时间或条件标签。作者给出的理论识别范围为：潜在状态可识别至分量置换及逐分量可逆变换，瞬时与滞后因果结构可识别至同一分量置换。iCReN 支持离散或连续辅助变量；但充分条件的具体假设、对比目标、结构估计步骤及训练与推理流程尚未验证。这里的“瞬时”关系指观测间隔内较快作用的表征，不应直接理解为物理上零延迟的作用。 作者报告，在合成数据实验中能够准确恢复潜在状态及瞬时、滞后因果结构，并在真实数据的下游预测任务中展示所学表征的用途。摘要未提供数据集、样本规模、划分、对照方法或指标数值，实验协议、消融及统计信息尚未验证，因而不能据此量化优势或判断其在具体 BCI 任务中的效果。 平台推测（待验证）：假设 EEG 中存在与时间或实验条件相关、且满足理论要求的潜在转移噪声变化，该机制可能为非平稳 EEG 的潜在动力学建模提供参考。可考虑复用辅助变量驱动的对比表征学习与时序结构估计思路，但需适配 EEG 的观测混合、采样间隔和通道结构；跨被试差异、低信噪比及小数据可能妨碍识别，条件标签也不必然满足理论假设。一个可证伪的小实验是在具有已知潜在因果结构、可控噪声分布变化及 EEG 式观测混合的合成数据上，对照保留与打乱辅助变量的恢复结果，并逐步降低信噪比、减少通道，检验其适用边界。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其将非平稳性作为识别潜在状态及瞬时、滞后因果结构的信息来源，并提出对应的 iCReN 学习框架；理论条件与 EEG 数据的适配性尚未验证。