什么能够跨城市迁移？面向稳健时空预测的不变表示学习

基于摘要分析。本文研究跨城市时空预测中，如何迁移共享预测结构，同时避免交通动态、观测密度和潜在环境因素差异造成的负迁移。作者提出 CauCrossNet，将相对稳定的预测结构与暂态、环境特有的变化分离，并依据表示层面的迁移可靠性选择性整合源域知识，而非仅依赖源域与目标域的分布对齐。 机制上，框架促进稳定空间不同汇总表示之间的预测一致性，以学习到的不变空间支撑目标域适应；目标侧数据增强以稳定表示为条件，源域知识的整合则由迁移可靠性调节。作者将其定位为因果启发的方法，但不假定存在可识别的结构因果模型，也不要求干预观测。摘要未给出稳定空间的具体构造、可靠性估计方式、损失函数或增强操作，尚不能确认这些模块的实现及各自贡献。 作者报告，在多个城市对的标准迁移、有限目标数据适应、时间偏移和更长预测时域评估中，选择性不变迁移改善了预测，并通过可靠性感知整合减轻不匹配源域信息引起的性能退化。摘要未列出数据集、城市对、数据划分、对照方法及数值指标，不能据此量化提升或直接比较不同评估设置。实验协议、消融及统计信息尚未验证。作者称已提供匿名代码与实验配置，其可运行性尚未验证。 平台推测（待验证）：若跨被试或跨会话 EEG 具有可分离的任务相关稳定结构与环境变化，这种“稳定表示约束＋可靠性加权迁移”可能用于检验负迁移抑制。原方法依赖多城市时空观测及预测监督，迁移时需重新定义 EEG 的环境划分、预测一致性目标与目标侧增强，不能将城市关系直接等同于被试差异。低信噪比、通道差异和小样本可能使稳定性及可靠性估计失真，甚至保留伪相关。一个可证伪的小实验是在固定跨被试划分和目标标签预算下，对比分布对齐基线、稳定表示模块及可靠性加权模块，检验收益是否在失配源被试条件下仍成立。已有 EEG 相关工作尚未检索确认。