PLanTS：面向多变量时间序列的周期感知潜在状态表征学习

基于摘要分析。该研究面向多变量时间序列（MTS）的高维、标签稀缺与非平稳问题，提出自监督表征学习框架 PLanTS，将周期结构、非规则潜在状态及其转移纳入建模。主要研究对象是通用 MTS，而非专门的 EEG 或 BCI 数据。 机制上，PLanTS 使用周期感知的多粒度分块机制，并通过广义对比损失，在多个时间分辨率上保留实例级与状态级相似性；同时引入下一状态转移预测辅助任务，使表征编码未来状态演化的预测信息。其相对现有自监督方法的核心主张，是不局限于数据增强或时间点级对比，而是同时利用周期结构和潜在状态动态。周期如何估计、状态如何定义、正负样本如何构造，以及各目标如何联合训练，尚未验证。 作者报告，在分类、预测、轨迹跟踪与异常检测任务中，PLanTS 相比已有自监督方法改善了表征质量，并具有更高计算效率。摘要未给出数据集、划分协议、基线名称、具体指标及效率测量条件，因此无法判断收益大小或比较不同任务的结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在可稳定识别的节律及状态转移，周期感知分块与转移预测可能有助于学习跨时间尺度表征。可考虑复用多粒度对比与预测任务，但需依据 EEG 采样率、频带和通道布局改造分块及状态定义。其依赖可辨识的周期结构和足够的无标签时序数据；低信噪比、短暂非周期事件、跨被试节律差异、通道变化或小数据规模，都可能使周期估计与状态相似性失效。一个可检验的假设是：在固定 EEG 数据及跨被试划分下，仅用训练被试数据预训练，比较完整框架与移除周期分块或转移预测的版本，核对下游分类收益及计算开销。已有 EEG 相关工作尚未检索确认。