TF-JEPA：无需对比样本对的时频表征预测对齐

基于摘要分析。TF-JEPA 面向多变量时间序列的通用表征学习，针对复杂时间动态、分布偏移及对比样本对设计困难，提出无需负样本采样的非对比自监督方法，通过预测对齐整合时域与频域表征。原论文的研究对象不限于 EEG，评估任务还包括手势识别、机械故障检测和基于生物信号的肌肉响应分类。 核心机制是为时域和频域分别设置在线编码器，每个在线编码器配有独立的动量更新目标编码器，将两种视图映射至稳定、统一的潜在空间。其区别于常规对比方法的主要路径是预测对齐，而非依赖负样本采样；作者称该方式支持下游适应时的完整端到端微调。具体预测方向、损失形式、频域变换、表征防坍塌机制及训练设置尚未验证。 作者报告，在包括睡眠 EEG 分类在内的多种真实数据集任务上，TF-JEPA 达到或超过对比学习及时间—频率一致性基线，macro F1 最多提升 8.6 个百分点，GPU 显存消耗约降低 35%。摘要未明确这些数字对应的具体任务、数据集、基线、数据划分及硬件与批量设置，因此不能将其视为睡眠 EEG 的确定收益，也不能据此判断跨被试或跨会话泛化效果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：时频预测对齐可能为 EEG 自监督学习提供减少对比样本对设计负担的路径，但对睡眠 EEG 的评估不等于对其他 BCI 任务有效。可复用的是双域编码与动量目标机制，需按 EEG 采样率、通道布局和任务相关频带调整频域输入及预训练视图；低信噪比、跨被试频谱差异和小数据条件可能使模型学习到非任务因素。一个可检验的小实验是在固定睡眠 EEG 数据划分与训练预算下，对比 TF-JEPA、时域单视图方法及对比学习基线，分别报告被试内与跨被试 macro F1，并在相同硬件和批量大小下测量显存。其他已有 EEG 相关工作尚未检索确认。