面向时间序列聚类的端到端深度表征学习：一项比较研究

基于摘要分析。本文研究标注难以获取时，如何通过深度表征学习实现时间序列聚类，主要贡献是系统比较已有方法的组成因素，而非提出面向 EEG 或 BCI 的专用算法，并将 class activation maps 扩展到无监督情境以辅助解释聚类依据。 作者将深度聚类方法拆分为网络架构、pretext loss 和聚类损失三个组成部分。作者报告，在其选定组件范围内评估了全部组合，共计 300 个模型，以考察不同组件对聚类表现的相对影响，并将所识别的高效组合与已有非深度聚类方法进行实验比较。评估使用 UCR/UEA archive 中的 128 个单变量和 30 个多变量时间序列数据集。摘要未提供具体架构、损失定义、聚类指标、最优组合或相对增益，因而不能据此判断哪种组件更优；实验协议、消融及统计信息尚未验证。 解释性方面，作者提出将 class activation maps 扩展到无监督场景，用于定位与聚类有关的时间序列模式。其具体构造、适用模型范围以及解释是否稳定，仍需查阅全文核对。 平台推测（待验证）：组件化比较框架可能有助于研究缺少标签的 EEG 片段聚类，但原研究依赖时间序列样本及其可学习表征，并不构成 EEG 有效性的证据。可复用的是组件拆解与对照评估思路；输入表征、通道处理和时序增强等环节需按 EEG 数据调整。低信噪比、伪迹、被试差异及通道配置变化可能使聚类主要反映记录条件，而非目标神经状态，小数据也可能使组件优劣不稳定。一个可证伪的小实验是在固定 EEG 预处理和被试隔离划分下，控制网络架构，仅替换训练损失，并与原始特征聚类对照，检验其能否提高目标状态的聚类一致性，而非仅增强被试身份分组；真实标签仅用于事后评估。相关 EEG 工作尚未检索确认。