面向所有时间序列的统一 Transformer：时间依赖异构表格数据的表示与训练

基于摘要分析。本文研究具有时间依赖的异构表格数据，例如同时包含数值与类别字段的金融交易记录，提出 Transformer 架构 UniTTab，以统一表示和训练方式处理混合类型数据及内部结构可变的记录。其主要研究对象是时间依赖表格数据，而非 EEG 或 BCI。 机制上，UniTTab 将数值特征和类别特征均表示为连续嵌入向量，并使用单一 Masked Token 前置任务训练，区别于分别针对数值与类别目标组合不同损失的常见方式。它还支持单条记录具有可变内部结构和可变字段数量的时间序列。摘要未说明数值嵌入、掩码目标构造、时间编码及变长字段处理的具体实现，尚不能据此确定其损失形式或输入组织细节。 作者报告，在五个规模和复杂度不同的数据集、多个下游任务上，UniTTab 相较深度学习及传统机器学习方法持续且显著提高预测准确性。摘要未提供数据集名称、划分协议、具体指标数值、基线配置及显著性检验信息，实验协议、消融及统计信息尚未验证。作者提供了代码和模型链接，但可用性、模型内容及复现条件尚未核验。 平台推测（待验证）：可迁移的机制假设是，将 EEG 衍生数值特征与类别元数据统一编码，并处理记录间字段不齐的问题，而非直接将其视为原始 EEG 波形模型。可复用候选包括混合字段嵌入和掩码预训练；需改造 EEG 时间窗组织、通道身份及缺失字段表示。低信噪比、跨被试分布变化、通道配置差异和小数据规模均可能使表格表示优势失效。可在固定跨被试划分下，以相同 EEG 特征和元数据比较统一掩码预训练与从头训练，并测试字段缺失时的性能变化，以检验预训练收益。相关 EEG 工作尚未检索确认。