预测、引导、细化：用于时间序列预测的未来状态引导

基于摘要分析。该研究面向多变量时间序列预测，讨论未来目标表征如何补充观测空间监督，并提出 FUSE：不直接解码由历史预测的未来状态，而是用它引导基础预测的状态细化，以降低不准确未来表征对最终预测的影响。 核心机制：作者将由编码历史预测的未来状态不能准确表征真实未来的问题称为 Predicted State Deviation。FUSE 先在观测空间生成基础预测并编码为基础状态，同时从编码历史预测未来状态；随后学习基础状态沿着或逆着指向预测未来状态的位移应移动多远。细化后的状态被解码回观测空间，并结合经过调整的重构残差，以保留基础预测信息。其区别在于把预测未来状态作为方向性引导，而不是必须信任的直接解码输入。具体编码器、位移调节参数化、损失与训练流程尚未验证。 作者报告，在八个基准上，使用简单 MLP 的 FUSE 获得有竞争力的预测准确性，并在三个骨干上取得一致的平均改进；摘要未提供基准名称、划分、指标或数值，不能据此比较收益大小。作者报告，消融支持状态细化与残差调整的作用，分解分析显示修正涉及预测均值、波形尺度和残差形状。作者还称 FUSE 可直接应用于既有骨干，无需重训或修改骨干，但附加模块的训练条件与接入方式仍需核对；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设仅针对 EEG 多通道信号预测，不等同于 BCI 解码性能提升。可复用的是“基础预测—潜在状态修正—残差保留”路径，需适配 EEG 的通道结构、归一化和状态编码；低信噪比、跨被试差异及小数据可能使引导方向追随噪声。一个可检验的小实验是在固定被试内时间划分与同一冻结预测骨干下，对比基础预测、直接未来状态解码和 FUSE 式细化，核对预测误差及波形失真。已有 EEG 相关工作尚未检索确认。