退化多传感器流上的因果表征学习

基于摘要分析。该研究面向存在观测缺失与隐性退化的多传感器流，提出可接入单向序列骨干的两个模块，以支持实时融合及逐时刻输出。这里的“因果”主要指在线估计的时间因果约束，摘要未提供因果发现或干预推断方面的证据。 Subchannel Hierarchical Input Embedding（SHIE）从细粒度子通道构建通道级嵌入，使退化数值的扰动局限于表征的局部；Repetitive Cross-Modal Fusion Transformer（RCFT）在每个时间步迭代执行传感器间注意力，融合同时刻的多源测量。两者可附加于 LSTM 或 causal Transformer，支持多输入时刻到多输出时刻的估计。作者称模块不限定特定损失函数及输入输出形状，并且无需单独插补。 作者在电网状态估计、身体活动监测、房间占用预测和认知负荷估计四类多传感器数据上，将增强后的 LSTM、Transformer 与各自基础模型比较。作者报告增强模型整体优于基线，且当测试缺失率显著高于训练缺失率时仍保持准确；摘要还称消融区分了两个模块的贡献。具体数据集名称、传感器类型、划分方式、缺失率、指标数值、退化生成方式及统计信息尚未验证，不能据认知负荷任务推定使用了 EEG。 平台推测（待验证）：若 EEG 多通道流存在局部信号退化或通道掉线，SHIE 的局部扰动约束和 RCFT 的同步融合可能具有复用价值；假设依赖稳定的通道对应关系、时间同步和足够的有效通道。需明确电极与子通道的映射，并适配缺失标记及在线任务输出。低信噪比下的相关伪迹可能使融合传播污染，跨被试通道差异与小样本也可能削弱收益。可在固定被试划分的 EEG 任务中，对相同单向骨干比较基础模型、分别加入两模块及联合模型，在仅对测试集提高通道缺失率的条件下检验性能变化与推理延迟。此为迁移假设，并非已证实的 BCI 效果；相关 EEG 工作尚未检索确认。