Multi-Patch Prediction：将 LLMs 适配于时间序列表征学习

基于摘要分析。本文研究如何将 LLMs 适配于时间序列表征学习，提出 aLLM4TS，将时间序列预测重构为自监督多 patch 预测任务，以学习时间动态及可迁移表征；主要研究对象是通用时间序列，而非专门的 EEG 或 BCI。 方法采用两阶段训练：先在多个时间序列数据集上，以预测下一个 patch 为任务开展因果持续预训练，再面向目标时间序列场景进行多 patch 预测微调。其 patch-wise decoding layer 将各个 patch 分别映射为时间序列片段，区别于依赖序列级解码的方案。摘要未提供 LLM 骨干、patch 划分、损失函数、参数更新范围及训练规模，相关实现条件尚未验证。 作者报告，该方法在若干下游任务中表现更优，获得了迁移性更强的时间表征，并认为多 patch 预测比传统对比学习或掩码重建更有效地捕获 patch 表征中的时间动态。摘要未给出任务与数据集名称、划分协议、对照配置或具体指标，尚不能据此判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能为 EEG 时间表征预训练提供候选方案，假设局部片段的可预测性能够保留与下游任务相关的动态信息。可复用的是下一 patch／多 patch 预测训练思路，需适配多通道输入、采样率及片段解码方式。低信噪比可能使模型偏向预测伪迹或背景节律，跨被试及通道变化可能削弱迁移，小数据条件下 LLM 适配也可能不稳定。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，对比多 patch 预测和掩码重建预训练，并以相同下游分类流程评估跨被试表现，核查预训练数据与测试被试是否隔离。已有 EEG 相关工作尚未检索确认。