面向可变通道多变量时间序列的多视图自监督学习

基于摘要分析。该研究针对多变量生物医学时间序列标注成本高、不同应用的输入通道集合不一致而限制预训练迁移的问题，提出共享单通道编码器与跨通道消息传递相结合的自监督对比学习方法，并以 EEG 数据集之间的迁移展示其潜力。 核心机制是让同一个编码器分别处理各输入通道，再通过消息传递神经网络汇聚跨通道信息，形成单一表示。该设计将单通道特征提取与跨通道交互分开，为处理变化的通道集合提供了具体方法路径；对比视图如何构造、通道身份如何表示、消息传递的连接方式，以及训练和推理时如何处理通道数量变化，摘要未提供细节。 作者报告，在一个包含六个 EEG 通道的数据集上预训练后，将模型微调到另一个包含两个不同 EEG 通道的数据集。作者比较了有无消息传递神经网络的模型，并考察不同对比损失函数；作者报告，所提方法结合 TS2Vec 损失时，在多数设置中优于其他被比较方法。摘要未给出数据集名称、下游任务、被试数量、数据划分、指标及具体分数，因此不能据此判断提升幅度，也不能把跨数据集迁移直接等同于跨被试泛化。实验协议、消融及统计信息尚未验证。 复现时值得核对预训练与微调的通道对应关系、共享编码器对不同通道的适用条件，以及消息传递和损失选择各自的增益。该工作直接涉及 EEG，但摘要未明确其下游任务是否属于 BCI；对低信噪比、不同被试和不同通道布局的稳健性仍需结合全文及实验确认。代码与复现资源尚未验证。