Merlin：面向缺失率不固定的鲁棒多变量时间序列预测的多视图表征学习

基于摘要分析。该研究面向多变量时间序列预测（MTSF），关注采集设备故障导致观测稀疏、且不同样本缺失率不固定时的预测鲁棒性。作者提出 Merlin，通过离线知识蒸馏和多视图对比学习，使稀疏观测的表征与完整观测及其他缺失率下的观测实现语义对齐，以增强已有预测模型。 机制上，离线知识蒸馏利用教师模型指导学生模型从稀疏观测中提取接近完整观测所包含的语义；多视图对比学习则基于不同缺失率的稀疏观测构造正负样本对，进一步对齐跨缺失率表征。其重点不是单一固定缺失率下的预测，而是应对样本间缺失程度变化。摘要未说明教师训练流程、完整观测的可用范围、正负样本构造细节、具体损失形式及推理阶段输入要求。 作者报告在四个真实世界数据集上的实验支持其方法的有效性与实用性，但摘要未提供数据集名称、缺失机制与缺失率范围、数据划分、对照基线或具体指标，因此无法据此量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务涉及通道或时间片段缺失，Merlin 的跨缺失率表征对齐机制可能具有参考价值，但这是迁移假设，并非已验证的 BCI 结果。可复用部分是教师—学生蒸馏与多视图对齐框架；需改造缺失掩码及视图构造，使其对应通道掉线或连续片段丢失，并核对训练时是否具备可靠的完整 EEG。低信噪比、跨被试差异和小数据可能使教师表征不可靠，或使对齐过程削弱任务相关信息。一个可证伪的小实验是在固定被试内划分下，仅用训练集构造多种缺失率视图，比较基础模型、单独蒸馏及完整 Merlin 在未参与训练的缺失率下的任务指标变化。已有 EEG 相关工作尚未检索确认。