从极坐标表示中学习：用于长期时间序列预测的极端值自适应模型

该研究针对水文学中的长期径流预测，提出 Distance-weighted Auto-regularized Neural network（DAN），试图同时捕捉长期依赖并建模稀有但重要的极端值。基于摘要分析，研究对象是水文时间序列，而非 EEG 或 BCI，核心贡献是结合极坐标表示学习与极端值自适应机制。 机制方面，DAN 使用距离加权多损失机制和可堆叠模块，从外生数据中动态细化指示序列；对于单变量时间序列，则采用 Gaussian Mixture 概率建模，以增强对极端事件的鲁棒性。作者还引入 Kruskal-Wallis sampling 与门控向量，处理极端数据不平衡。极坐标映射的具体定义、距离权重及损失形式、指示序列的构造和各模块的交互方式尚未验证，不能仅凭摘要确定其实现。 作者报告，在四个真实水文径流数据集上，DAN 显著优于所比较的先进水文预测方法和通用长期时间序列预测方法。摘要未提供数据集名称、预测跨度、划分方式、指标或具体数值；实验协议、消融及统计信息尚未验证，因此尚不能判断整体预测收益与极端事件预测收益分别来自哪些机制。 平台推测（待验证）：若 EEG 连续序列预测任务也存在少数高幅值事件被整体损失低估的问题，距离加权多损失与不平衡采样可作为候选机制，但水文极端值不等同于神经事件，高幅值 EEG 也可能是伪迹。迁移需重定义事件标签、距离权重与多通道表示，并适配跨被试尺度差异和小数据条件；不能直接复用径流的极坐标编码。一个可证伪的小实验是在固定 EEG 连续预测任务与相同划分下，仅替换损失加权或采样模块，分别评估整体误差、目标事件误差及伪迹敏感性。该假设不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。