Graph2TS：基于分位数图的结构条件化时间序列生成

Graph2TS 研究如何在时间序列生成中兼顾重复出现的时序结构与不同实现之间的随机变化，提出以分位数图提供结构条件、以潜变量建模图未指定的剩余变化。基于摘要分析；其主要研究对象是通用时间序列生成，包含 EEG 评估，但摘要未提供下游 BCI 验证。 核心机制是“结构—残差”分解：分位数图以全局共享的幅值分位数状态为节点，概括经验性单步转移，形成固定大小、具有信息损失的分布与局部转移结构表示。生成器以该图为条件，并用潜变量表达未被图约束的随机变化。摘要明确说明，所有图及归一化统计均由训练数据推导，生成不需要测试样本特定的条件信息；具体生成架构、损失函数及训练流程尚未验证。 作者报告，在四个真实世界数据集上与 GAN、diffusion 和 flow-matching 基线比较，Graph2TS 在 ECG 与 EEG 信号上表现尤其突出，在 Sunspot 和 Electricity 上保持竞争力，但存在依数据集而异的权衡。作者的数据分析提示，优势在波动较大、周期性弱或不规则的信号上更明显。在 Electricity 的额外实验中，序列长度扩展至 256，作者报告相对 DiffusionTS 的表现随序列变长更有优势，但覆盖度同时下降。摘要未给出具体指标、分数、EEG 数据集名称、被试构成或划分协议，因此不能据此判断跨被试泛化或与其他 EEG 生成研究直接比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能为 EEG 小数据条件下的合成数据增强提供候选方法，但前提是幅值状态及单步转移能保留任务相关信息。可复用分位数图条件与潜变量生成框架；多通道依赖、较长时程结构及通道归一化可能需要改造。低信噪比、被试差异和训练样本不足可能使图主要捕捉噪声或不稳定的转移统计。一个可检验的小实验是：在固定 EEG 训练划分内构建图并生成增强样本，与不增强及同预算生成基线比较，在真实留出数据上评估任务表现，并核对频谱与通道依赖是否保留。已有 EEG 相关生成工作尚未检索确认。