TF-JEPA：无需对比样本对的时频表征预测对齐

基于摘要分析。研究针对多变量时间序列中复杂时序动态、分布偏移及对比样本对难以设计的问题，提出非对比自监督方法 TF-JEPA，通过预测对齐整合时域与频域表征，不依赖负样本采样。 核心机制是分别设置时域与频域在线编码器，每个在线编码器均配有独立的动量更新目标编码器，将两种视图嵌入稳定、统一的潜在空间。摘要未说明预测方向、频域变换方式、具体损失、目标编码器更新参数或防止表征坍塌的机制，这些实现细节尚未验证。其明确的方法特点是以非对比预测对齐替代对比样本构造，而非仅增加频域输入。 作者报告，在睡眠 EEG、手势识别、机械故障检测及 EMG 分类实验中，TF-JEPA 达到或超过对比学习与时频一致性基线。摘要未提供数据集名称、被试数、数据划分、指标、具体数值及基线配置，因此不能据此判断增益大小，也不能确认跨被试、跨会话或跨数据集泛化能力。实验协议、消融及统计信息尚未验证，代码与复现条件亦未提供。 平台推测（待验证）：时频预测对齐可能为 EEG 自监督表征学习提供一种减少人工设计正负样本对的路径，但睡眠 EEG 上的作者报告不能直接外推为其他 BCI 任务的有效性。可复用部分是双域在线编码器与动量目标编码器框架；迁移时需核对频域视图是否保留任务相关信息，并适配通道布局与输入窗口。低信噪比、被试差异及小数据规模可能使对齐主要捕获非任务相关结构。一个可检验的小实验是在固定 EEG 数据划分与下游分类器的前提下，对比时域单视图、自监督时频预测对齐和时频一致性基线，并核对跨被试测试中的表现。其他已有 EEG 相关工作尚未检索确认。