Merlin：面向不固定缺失率下鲁棒多变量时间序列预测的多视图表示学习

基于摘要分析。该研究针对多变量时间序列预测（MTSF）中观测缺失破坏全局与局部信息、且缺失分布随时间变化的问题，提出多视图表示学习方法 Merlin，以对齐不同缺失率的不完整观测与完整观测的语义表示，增强现有预测模型的鲁棒性。 方法包含离线知识蒸馏与多视图对比学习两个模块：前者利用教师模型引导学生模型从不完整观测中提取接近完整观测的语义信息；后者从不同缺失率的不完整观测中构造正负样本对，促进跨缺失率的表示对齐。其主要思路是同时约束完整与不完整观测之间、以及不同缺失程度观测之间的表示关系，而不只是针对单一缺失率训练。具体损失形式、教师训练方式、样本对构造规则及推理流程尚未验证。 作者报告，在四个真实世界数据集上的实验支持 Merlin 的预测表现与鲁棒性优势。摘要未给出数据集名称、缺失机制与缺失率范围、数据划分、对照方法或具体指标，因此无法判断收益幅度及其适用边界；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缺失，不同缺失视图的表示对齐可能具有借鉴价值，但原论文研究对象是通用多变量时间序列预测，并非 BCI。可复用的是教师—学生蒸馏及多缺失视图训练思路；需改造缺失掩码，使其对应整通道失效或连续时间段丢失，并核对训练时完整观测的可得性。低信噪比、跨被试差异及小样本条件可能使教师目标不可靠，强制对齐也可能抹去任务相关信息。一个可证伪的小实验是在固定被试内 EEG 预测划分下，以相同骨干比较原模型与加入上述机制的模型，在训练缺失率及未见缺失率下分别评估预测误差，并区分随机点缺失与整通道缺失。已有 EEG 相关工作尚未检索确认。