T-Rep：利用时间嵌入进行时间序列表征学习

基于摘要分析。T-Rep 面向无标签、高维、含噪及存在缺失数据的多变量时间序列，通过自监督学习获得时间步粒度的表征；其核心贡献是联合学习时间向量嵌入与特征提取器，并利用时间嵌入构造辅助任务。 机制上，时间嵌入用于提取趋势、周期性和分布变化等时间特征，辅助任务旨在使表征纳入平滑、细粒度的时间依赖，并增强对缺失数据的鲁棒性。摘要未给出时间嵌入的参数化方式、辅助任务及损失的具体定义，也未说明时间坐标如何编码、不同序列之间如何对齐，相关实现尚未验证。 作者报告，在下游分类、预测和异常检测三类任务中，T-Rep 均优于所比较的现有时间序列自监督算法；在含缺失数据的评估条件下，也表现出更强的鲁棒性。作者还通过潜在空间可视化展示所学表征的可解释性。摘要未提供数据集、划分、基线名称、指标数值及缺失模式，因此不能据此判断优势幅度或跨任务的一致性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其时间嵌入与自监督辅助任务可能用于 EEG 的时间动态建模和缺失采样鲁棒表征，但原研究对象是通用多变量时间序列，并非已验证的 EEG/BCI 方法。可复用的是时间嵌入与表征学习的结合思路；需适配 EEG 的采样率、试次时间对齐及通道组织。时间坐标可能绑定采集流程而非神经活动，低信噪比、跨被试差异和小数据也可能削弱收益；缺失时间点的鲁棒性不能直接等同于缺失通道的鲁棒性。一个可检验的小实验是在固定跨被试划分和相同特征提取器下，对比加入与不加入时间嵌入辅助任务的下游表现，并分别测试缺失时间片段与缺失通道。已有 EEG 相关工作尚未检索确认。