通过时空自举实现相关时间序列的自监督表征学习

基于摘要分析。本文研究大规模相关时间序列的表征学习，提出通过自举式时空表征预测，为各个实例学习时间步级表征的自监督框架。主要研究对象是相关时间序列预测，以及将预测模型迁移到数据有限的新实例的冷启动任务，并非 EEG 或 BCI。 机制与评估：框架利用时空表征预测学习表示，并在所得表征之上训练线性回归模型执行预测。摘要未说明时空相关性的具体编码方式、自举目标的构造、损失形式及训练与推理流程，这些机制细节尚未验证。 结果：在 PeMS-BAY 的相关时间序列预测评估中，作者报告，相较表征学习模型，RMSE、MAE 和 MAPE 分别降低 37%、49% 和 48%。在真实地铁客流数据的新实例冷启动预测中，作者报告三项增益为 15%、19% 和 18%，但摘要未明确这组三项数值各自对应的指标。具体基线、数据划分、预测时域、冷启动可用数据量、消融及统计信息尚未验证，不能据此作跨协议比较。摘要称代码将发布于所列 GitHub 仓库，当前发布状态与复现条件尚未核验。 平台推测（待验证）：可检验的迁移假设是，若 EEG 通道或被试之间存在可利用的时空相关结构，时间步级自监督表征预测可能帮助有限数据下的表征迁移。可考虑复用表征预测与下游线性评估思路，但需改造实例定义、通道关系和时间窗口，并避免把交通实例间的相关性直接等同于脑信号关系。低信噪比、跨被试非平稳性、通道配置变化及小数据可能削弱该假设。一个小规模检验是在固定 EEG 任务与独立被试划分下，比较时空预测表征与仅时间预测表征在相同少量标注条件下的下游表现，并核对跨被试适用性；已有 EEG 相关工作尚未检索确认。