TS2Vec：面向通用时间序列表征

基于摘要分析。TS2Vec 研究如何学习适用于不同语义层级与下游任务的通用时间序列表征，核心是在增强的上下文视图之间进行分层对比学习，为每个时间戳生成上下文表征，并通过聚合对应时间戳的表征获得任意子序列的表示。 机制与贡献：相较于仅面向固定粒度输出的表征思路，该方法强调时间戳级表示与子序列级表示之间的可聚合关系，以支持不同时间尺度的任务。摘要未说明具体增强策略、层级构造、正负样本定义、损失形式及聚合算子，这些实现细节尚未验证。 作者报告，在时间序列分类评估中，TS2Vec 在 125 个 UCR 数据集和 29 个 UEA 数据集上相对既有无监督时间序列表征方法取得显著改进，但摘要未提供具体指标、分数、数据划分或统计检验。作者还报告，在学习到的表征上训练线性回归可超过既有时间序列预测方法，并以一种简单方式将表征用于无监督异常检测，取得作者所称的 SOTA 结果；相关数据集、基线与评估协议尚未验证，不宜据此跨任务或跨协议比较。摘要明确提供了公开源码地址，但运行环境与复现条件仍需查阅代码和全文。 平台推测（待验证）：假设 EEG 的局部波形与较长时间尺度上下文都包含可迁移信息，分层对比学习及时间戳聚合可能用于 EEG 自监督表征。可复用的是多尺度表征与聚合思路；需改造并核对多通道输入、增强策略及下游任务适配。主要风险是增强破坏任务相关波形、低信噪比使模型学习噪声，以及被试和通道差异造成表征失配，小数据下也可能过拟合。可检验的小实验是在固定跨被试划分下，仅使用训练被试进行无标签预训练，以相同线性评估协议比较分层对比学习与不使用层级结构的对照，并确保预处理不混用测试被试信息。已有 EEG 相关工作尚未检索确认；上述迁移路径不构成已验证的 BCI 效果。