连接面向不同预测时域的表征以实现时间序列预测

基于摘要分析。该研究面向时间序列预测中不同预测时域需要不同表征、因而常需分别训练模型的问题，提出 HorizonBridge，以共享基础表征和时域条件化调整支持跨预测时域预测。作者的理论分析指出，最优表征可能随预测时域变化：短期预测更依赖局部动态模式，长期预测更依赖全局趋势。 机制上，HorizonBridge 通过共享基础表征编码器保留不同时域的共同结构，再由预测时域条件化的表征转换器生成自适应残差调整，使基础表征适配目标时域。此外，自适应 patch embedding 按局部信息密度划分时间序列，并利用时间周期性构建周期嵌入，以改善跨时域表征兼容性。摘要未说明信息密度的定义、周期估计方式、训练目标及目标时域的采样策略，这些细节尚未验证。 作者报告，该方法在多个基准数据集上取得有竞争力的预测表现，并提高效率与灵活性；但摘要未提供数据集名称、划分协议、预测时域范围、对照方法、指标或效率测量条件，因此尚不能量化收益，也不能判断其是否支持训练中未见的预测时域。实验协议、消融及统计信息尚未验证。作者表示将发布代码和模型，当前材料不足以确认发布状态。 平台推测（待验证）：若任务是 EEG 连续信号预测，共享编码器与时域条件化残差调整可能用于检验不同预测时域能否共享表征，但这不等于已证明 BCI 解码有效。可复用的是共享编码与条件化转换思路；信息密度划分和周期嵌入则需适配 EEG 的非平稳性、伪迹及通道结构，低信噪比、跨被试差异和小数据可能使局部密度或周期估计失稳。一个可证伪的小实验是：在固定被试内时间划分、控制模型容量与训练预算的条件下，比较独立时域模型、共享编码模型及加入时域条件化调整的模型，检查各预测时域误差与推理成本。已有 EEG 相关工作尚未检索确认。