RTSM：将递归模型适配于多变量时间序列分类

基于摘要分析。该研究面向多变量时间序列分类，提出 Recursive Time-Series Model（RTSM），通过可学习的卷积时间分词器、单状态权重共享迭代细化和池化分类读出，结合时间特征提取与序列信息整合。核心设计是在增加计算深度时重复使用同一细化模块，而不为每个阶段新增该模块的参数。 作者报告，在全部 30 个 UEA 数据集上，采用基于验证集的配置与检查点选择，RTSM 的平均 Accuracy 为 72.81%，在所评估的 17 个深度学习模型中均值最高，比 MambaSL 高 1.60 个百分点。这一结论限于所列模型与评估协议，不能扩展为所有时间序列分类方法中的最优表现。 作者报告，八个数据集上的消融更支持所提出的时间分词器，而非简单卷积嵌入；单状态模型也优于受测的双状态变体。摘要还报告，完整分类器的平均 Accuracy 为 86.10%，单独训练的仅分词器分类器为 84.79%；该对照所对应的数据集范围与具体划分尚需全文核对，不能与全部 30 个数据集上的均值直接比较。迭代次数、训练目标、参数规模、计算开销、实验协议及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，卷积时间编码配合共享参数的迭代细化，可能适用于带类别监督的多通道 EEG 分类，在限制参数增长的同时增加特征处理深度。可复用部分是共享细化与分类读出框架；分词器需按 EEG 采样率、时间尺度与通道组织适配。低信噪比可能使反复细化放大伪迹，跨被试分布差异、通道变化及小样本过拟合也可能抵消收益。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比仅分词器分类器和不同迭代深度的 RTSM，并分别报告被试内与跨被试 Accuracy、参数量及推理开销。已有 EEG 相关工作尚未检索确认。