通过上下文预测学习多变量时间序列分类表征

基于摘要分析。本文研究多变量时间序列分类的自监督表征学习，提出轻量框架 C-Pred，以 next-patch context prediction 替代依赖数据增强的对比学习或信号重建。主要贡献是将预训练转化为局部时间邻接关系的分类任务，并结合通道独立编码降低计算负担。 具体而言，给定一个参考 patch，模型从同一实例的 K 个候选 patch 中识别其紧邻的后续 patch，形成 K 类分类问题。该机制仅需编码少量局部 patch，不依赖数据增强、跨实例负样本采样或信号重建。各通道由共享的单变量骨干独立处理；作者据此认为，模型可适配不同通道数，而不增加骨干规模。摘要未说明候选 patch 的采样规则、跨通道表征如何汇聚，以及预训练到下游分类的具体流程。 作者报告，在六个大规模基准（摘要标注 >20k 实例，具体规模口径尚待核对）及 28 个 UEA 多变量数据集上，C-Pred 的表征质量达到或超过现有先进方法，相对竞争基线的训练时间加速最高为 7.5 倍。在大规模基准上，作者报告通道独立编码相较通道混合编码提升平均 Accuracy 2.99 个百分点，平均 Accuracy 达到 84.36%。具体数据划分、基线配置、硬件与计时口径、消融及统计信息尚未验证，不能据此推断各数据集均有同等收益。 平台推测（待验证）：其局部时序预测和共享单通道编码机制可能适用于 EEG 小数据预训练及通道数量变化场景，但原论文主要对象是通用多变量时间序列，不能将上述结果视为 BCI 证据。可复用部分是 patch 级邻接判别任务；需评估 EEG 的 patch 时长、通道汇聚及空间关系建模。低信噪比可能削弱邻接线索，通道独立处理也可能遗漏跨通道协同，跨被试分布变化则未必由该任务解决。一个可检验的小实验是：在固定 EEG 数据划分与训练预算下，对比通道独立与通道混合的 C-Pred，在 Cross-subject 下报告 Accuracy、训练耗时及减少通道后的性能变化。相关 EEG 工作尚未检索确认。