JELI：用于时间序列异常检测的潜在空间与输入空间证据联合建模

基于摘要分析。该研究针对通用时间序列异常检测，将潜在空间中的正常模式偏离与输入空间中的重建差异整合为 JELI 框架，旨在利用两类异常证据的互补性，而非分别建模；研究对象并非特定的 EEG 或 BCI 任务。 方法包含三个环节：首先训练基于 JEPA 的骨干模型，从周围输入上下文学习表征，并预测任意时间位置的目标表征，形成正常表征空间；随后微调预训练骨干进行上下文重建，通过 attention-masking bottleneck 阻止各目标关注自身表征，同时保持与预训练目标的对齐；最后使用基于联合分布的评分方法，显式考虑潜在空间与输入空间异常证据之间的依赖关系。摘要未提供具体损失形式、联合分布参数化或评分公式，因此不能将其等同于某种已知概率模型或简单加权融合。 作者报告，在时间序列异常检测基准上，JELI 显著优于既有最先进基线，但摘要没有给出基准名称、指标、数值、数据划分及具体对照。实验协议、消融及统计信息尚未验证；复现时需核对上下文与目标的构造、掩码规则、评分拟合数据及异常阈值选择方式。 平台推测（待验证）：其机制可能用于 EEG 异常片段或伪迹检测，假设正常 EEG 上下文既能支持目标表征预测，也能支持输入重建。可复用的是上下文预测、屏蔽目标自身信息的重建机制及联合评分；需改造通道组织、时间窗口和正常数据定义，并核对训练所需监督与数据规模。低信噪比、跨被试差异、通道变化及小数据可能使正常生理变化被误判为异常，或使联合评分不稳定。可检验的小实验是在固定被试内划分下，比较两种单独评分、简单融合与联合评分对已标注伪迹片段的检测效果，再单独评估跨被试泛化；这些均非论文已验证结果，已有 EEG 相关工作尚未检索确认。