连接过去与未来：面向时间序列预测的分布感知对齐

基于摘要分析。本文研究时间序列预测中历史输入与未来目标之间的分布差异，提出轻量、即插即用的 TimaAlign 框架，通过辅助重建任务对齐表征，再将辅助特征反馈给基础预测器。主要研究对象是通用时间序列预测，而非 EEG 解码或 BCI。 机制上，作者将该框架与对比学习区分，强调通过重建实现历史与未来表征的对齐。摘要未说明重建对象、损失形式、辅助特征的融合位置，以及未来目标在训练与推理阶段的具体使用方式，需结合正文核对。作者还提供两项理论论证，分别涉及重建如何改善预测泛化，以及对齐如何增加学习表征与预测目标之间的互信息；其成立假设与适用边界尚未验证。 作者报告，在八个基准上的实验显示该方法具有性能优势，进一步分析认为增益主要来自对历史输入与未来输出之间频率失配的修正。摘要未列明基准名称、划分协议、预测跨度、指标、对照基线或提升幅度，因此不能据此判断跨数据集稳定性及效应大小。摘要提供了代码链接，但实现与论文的一致性、复现条件、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 连续信号预测中存在可估计且稳定的历史—未来频谱差异，辅助重建与表征对齐可能具有可复用价值，但这是假设，不代表已验证的 BCI 效果。迁移依赖历史窗口与未来目标配对的训练数据，需适配多通道特征及融合接口；低信噪比、伪迹、被试和通道差异、小数据条件都可能使对齐追随无关频率成分。可在固定被试内划分、严格隔离训练与测试数据的 EEG 预测任务中，对比同一基础预测器加入与不加入 TimaAlign 的预测误差及频谱失配变化，检验两者是否同步改善。已有 EEG 相关工作尚未检索确认。