超越静态位置编码：用于非平稳长期时间序列预测的贝叶斯时间感知注意力

基于摘要分析。本文研究长期时间序列预测（LTSF）中随输入窗口变化的非平稳时间依赖，提出 Bayesian Time-aware Attention（BTA），通过自适应组合时间核生成输入条件化、注意力头特异的位置偏置，而非始终使用固定的时间偏置。 理论上，作者将 self-attention 解释为被关注位置上的贝叶斯后验：scaled dot-product similarity 诱导基于内容的先验，位置编码诱导时间证据的似然。在这一视角下，作者推导了针对弱平稳时间序列预测的总体层面证据下界（ELBO），并据此分析静态位置编码的局限：当不同输入窗口的时间依赖结构不同时，固定偏置需同时适应异质动态，可能不是最优选择。BTA 使用 mixture-of-experts（MoE）路由器组合时间核；核的具体形式、路由粒度及 ELBO 是否直接用于训练，摘要未说明。 作者报告，在标准 LTSF 基准上，BTA 能改善多个 Transformer 骨干的预测表现，并具有较小计算开销和稳定训练表现。摘要未提供数据集名称、划分、预测跨度、指标、对照配置或数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，若 EEG 窗口间存在可学习的时间依赖变化，输入条件化位置偏置可能比固定偏置更适合建模这种变化。可复用部分是时间核组合与路由机制；需针对 EEG 采样率、时间 token 定义及通道组织调整。该机制依赖输入内容足以识别动态状态，在低信噪比、跨被试差异或小数据条件下，路由器也可能学习伪迹或个体特征。一个可证伪的小实验是在固定 EEG 预测任务、骨干和训练预算下，对比静态位置偏置与 BTA，并冻结或打乱路由输出，检验收益是否确实来自输入条件化。此设想不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。