SIP-LLM：利用 LLM 语义空间引导的提示学习进行时间序列预测

研究针对预训练 LLM 的语义空间尚未被充分用于时间序列预测的问题，提出 Semantic Space Informed Prompt learning with LLM（正文记为 S²IP-LLM），通过对齐时间序列嵌入与语义锚点，从联合空间学习预测提示。基于摘要分析，未取得论文全文；其主要研究对象是通用时间序列预测，而非 EEG 解码或 BCI。 方法首先设计面向跨模态对齐的 tokenization 模块，将分解后的时间序列分量切分为 patches 并显式拼接，以编码时间动态。随后从预训练词 token 嵌入中构建语义锚点，通过最大化余弦相似度，使选定锚点与时间序列嵌入对齐；检索出的相关锚点作为提示，为具有不同时间动态的序列提供上下文。其可辨识的机制是利用预训练语义空间组织预测提示，而不只是将时间序列输入 LLM。 作者报告，在多个基准数据集的预测评估中，该方法优于其比较的先进基线，并称消融与可视化支持语义空间引导提示学习的必要性。摘要未提供数据集名称、预测跨度、划分方式、指标数值或基线配置，无法量化改进幅度。LLM 主干及冻结策略、序列分解方式、锚点构建与检索细节、训练规模，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 预测中的非平稳时间动态可由上述分解与锚点检索机制有效表征，该方法可能提供一种上下文建模思路；但这不等于运动想象或其他 BCI 解码已获益。迁移需要适配多通道信号的切分、分解及嵌入，并核查词语义锚点与 EEG 动态是否存在稳定对应。低信噪比、通道差异、跨被试变化与小数据训练均可能使对齐失效。一个可检验的小实验是在固定 EEG 预测任务与相同数据划分下，对比语义锚点提示、随机锚点提示及无锚点条件，保持主干与训练预算一致，检验收益是否确实来自语义空间。已有 EEG 相关工作尚未检索确认。