自监督学习何时能够迁移到时间序列任务？

基于摘要分析。本文研究时间序列自监督学习的预训练表征能否有效迁移到不同下游任务，核心贡献是在参数与数据预算匹配的条件下，对五类自监督范式中的七种代表方法进行基准评估，覆盖异常检测、分类和预测，而非提出新的 EEG/BCI 方法。 作者报告，在上述评估条件下，自监督学习对异常检测带来明显收益，并能为采用微调的分类任务提供有效初始化；但在预测任务中，相较未预训练的对照，其优势有限或不存在。作者还报告，线性探测表现不能可靠预测微调表现，合成数据预训练往往可与真实语料预训练竞争，增加编码器深度则使预测准确性下降。摘要未给出具体数据集、方法名称、指标数值及划分，不能将这些观察直接推广到所有时间序列任务。 阅读重点在于其如何控制预训练与非预训练方案的参数、数据预算，以及如何据此区分任务收益。全文尚未取得，具体预训练目标、合成数据生成方式、数据划分、消融及统计信息尚未验证；作者称代码位于补充材料，可用性尚未核验。 平台推测（待验证）：若将这些评估原则用于 EEG，可检验自监督收益是否依赖下游任务，以及线性探测能否代表微调收益。可复用的是预算匹配与双重评估框架，需改造的是 EEG 输入、通道组织和预训练任务；低信噪比、被试差异及小数据可能改变结论。一个小规模可证伪实验是在固定 EEG 数据划分、编码器容量与下游训练预算下，比较自监督预训练和随机初始化，并分别报告线性探测与微调结果；采用跨被试设置时，应保持被试级隔离。相关 EEG 工作尚未检索确认。