从检索到识别：面向分类的时序基础模型知识增强后训练

研究针对时序基础模型（TSFMs）后训练中任务相关知识与无关知识混杂、难以有效调用的问题，提出 Retrieval-to-Recognition（R2R），通过显式实例知识检索与模型隐式表征融合，适配下游时序分类。基于摘要分析，未取得论文全文。 R2R 并非重新预训练基础模型，而是一种即插即用的后训练范式：使用解耦的查询编码器提取判别性模式，从构建的知识库中检索实例级数值知识，再将检索结果与 TSFM 的隐式参数嵌入融合。作者将其描述为在参数层面与特征层面共同实现知识迁移，以改善已有预训练知识的利用。查询编码器的训练目标、知识库来源与组织方式、检索度量、融合结构及基础模型更新范围尚未验证。 作者报告，在 158 个时序数据集的分类实验中，R2R 持续改善所评估的先进 TSFM 的分类表现，并报告消融与知识增强实验支持框架有效性。摘要未提供具体模型、数据集清单、划分协议、指标、提升幅度或统计结果，因此不能判断收益大小及其适用边界；实验协议、消融及统计信息尚未验证。复现时需核对知识库与训练、验证、测试划分的关系，以及检索和编码器训练带来的额外成本。 平台推测（待验证）：其可迁移假设是，实例级检索可为 EEG 分类补充相似时序模式，但这依赖具有可比较结构的知识库和能够提取任务相关模式的查询编码器，原领域结果不等于 BCI 有效。可复用检索与融合框架，需针对 EEG 的通道布局、采样率及跨被试差异调整编码和相似度；低信噪比、小数据及个体差异可能使检索偏向噪声或被试身份。一个可检验的小实验是在固定跨被试划分、仅用训练被试构建知识库的条件下，对比原 TSFM 后训练、R2R 与随机检索，检查收益是否确实来自相关实例。已有 EEG 相关工作尚未检索确认。