Series2vec：面向时间序列分类的基于相似性的自监督表征学习

基于摘要分析。本文研究通用时间序列分类中的自监督表征学习，提出 Series2Vec，通过预测两条时间序列在时域与频域的相似性构造训练任务，以替代对手工数据增强的依赖；其主要研究对象并非专门的 EEG 或 BCI。 机制上，作者将时间序列之间的相似性作为自监督学习信号，并在训练时对批内各表征应用顺序不变注意力，促使相似序列获得相似表征。摘要未说明相似性的具体定义、预测目标的计算方式、损失形式及注意力实现，这些是判断方法可复用性的重要核对项。 作者报告，在九个大型真实世界数据集及 UCR/UEA archive 上，Series2Vec 相较所比较的先进自监督方法取得更好的表现；作者还报告，其表现可与全监督训练相当，在标注有限的数据集上具有较高效率，与其他表征学习模型融合也可改善时间序列分类。摘要未提供具体数据集清单、划分协议、指标数值及效率定义，不能据此比较收益幅度；实验协议、消融及统计信息尚未验证。摘要提供了代码和模型开源地址，但运行条件及复现完整性尚未核验。 平台推测（待验证）：时域与频域相似性任务可能为 EEG 有限标注条件下的表征学习提供可复用机制，但这一假设依赖于相似性是否反映任务相关神经活动，而非伪迹、被试身份或采集差异。可考虑复用相似性预测任务及批内注意力，需针对多通道结构、幅值尺度和频带特征改造相似性计算与输入处理。低信噪比、跨被试差异、通道配置变化及小数据条件可能使相似性目标失真。一个可检验的小实验是在固定 EEG 数据划分、编码器和标注预算下，对比从头监督训练与该自监督预训练，并分别移除时域、频域目标及批内注意力，观察分类收益是否稳定；已有 EEG 相关工作尚未检索确认。