面向极端类别不平衡多变量时间序列的太阳耀斑预测对比表征学习

基于摘要分析。本文研究从太阳活动区磁场多变量时间序列预测重大太阳耀斑的问题，提出对比表征学习方法 CONTREX，以处理时间依赖与重大耀斑稀少导致的极端类别不平衡；主要研究对象是空间天气预测，而非 EEG 或 BCI。 方法先从多变量时间序列实例中提取动态特征，再从正、负类特征向量中导出具有最大分离能力的两个极端点。随后，序列表征嵌入模块以原始时间序列为输入，通过作者提出的 contrastive reconstruction loss 引导嵌入与极端点对齐，以保留时间序列特征并增强类别判别能力。极端点的具体构造、动态特征定义、损失公式及训练细节尚未验证。 作者报告，在 Space Weather Analytics for Solar Flares（SWAN-SF）多变量时间序列基准上，相较基线方法取得有潜力的太阳耀斑预测结果。摘要未提供具体指标、数值、基线名称或数据划分，实验协议、消融及统计信息尚未验证，因此不能据此判断增益幅度或跨协议优势。 平台推测（待验证）：该机制依赖正负类标签与动态特征，可作为 EEG 稀有目标事件分类中类别不平衡问题的一项迁移假设。可复用的是极端点引导的表征学习思路；动态特征提取、输入通道处理及序列编码需按 EEG 特性改造。低信噪比、异常样本、被试与通道差异可能使极端点反映伪迹而非任务特征，小数据下也可能不稳定。一个可证伪的小实验是在固定的跨被试划分与相同编码器下，对比常规监督训练和引入该机制的训练，检查少数类召回率、Balanced Accuracy 及不同训练子样本下的稳定性；这不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。