Blend-Resnet：通过残差映射变换与约束学习构建混合表示空间，用于时间序列分类

基于摘要分析。本文针对训练样本不足的时间序列分类问题，提出混合原始与变换表示空间的 Blend-Res2Net，并通过 restrained learning 动态估计网络深度，以平衡表示能力与泛化风险。标题使用 Blend-Resnet，摘要中的方法名为 Blend-Res2Net，两者命名关系尚待全文核对。 机制上，标准 ResNet 采用 ℋ(x)=ℱ(x)+x；该方法构造 ℋ1(x)=ℱ(x)+Trans(x) 与 ℋ2(x)=ℱ(Trans(x))+x，分别在残差相加路径与非线性映射输入端引入变换，意在同时捕捉时间与频谱特征。摘要未说明 Trans 的具体定义、两类表示如何融合，以及动态深度估计的准则、训练流程与推理开销。 作者报告，在公开 UCR 时间序列档案上开展了一系列消融实验，并取得优于 1-NN-DTW、HIVE-COTE、ResNet、InceptionTime、ROCKET、DMS-CNN 和 TS-Chief 等对照方法的表现。摘要未提供具体数据集子集、划分、指标、数值或统计信息，因此无法判断收益幅度及不同协议下的可比性；实验协议、消融细节与统计信息尚未验证。 平台推测（待验证）：其时域与变换域互补机制可能对应 EEG 中时序形态和频谱信息的联合利用，可复用残差映射思路，但需明确适用于多通道 EEG 的变换、通道组织及深度约束规则。原研究依赖带分类标签的时间序列，具体输入结构与训练规模尚未验证；低信噪比、通道差异、跨被试分布变化及小数据下的深度选择不稳定均可能使迁移失败。可先在固定被试内划分与相同预处理下，对比原始 ResNet、双表示映射及加入 restrained learning 的版本，检验收益是否来自表示变换或复杂度控制，而非直接外推至跨被试效果。已有 EEG 相关工作尚未检索确认。