T-JEPA：面向表格数据的无数据增强自监督学习

基于摘要分析。该研究针对表格数据难以构造有效数据增强的问题，提出无数据增强的自监督方法 T-JEPA，通过同一样本内不同特征子集之间的潜在表示预测学习表征，用于下游分类与回归任务。 核心机制基于 Joint Embedding Predictive Architecture（JEPA），类似于在潜在空间进行掩码重建：以一个特征子集的潜在表示预测另一个特征子集的潜在表示，而非直接重建原始特征值。研究将所得表示用于预训练后的下游建模，并引入 regularization tokens；作者称其对结构化数据上 JEPA 模型的训练至关重要。具体损失、子集采样方式及正则化实现尚未验证。 作者报告，在其分类与回归评估中，使用 T-JEPA 表示的模型优于直接使用原始数据训练的模型，部分方法可持续优于或持平 Gradient Boosted Decision Trees。作者还报告，表征分析显示 T-JEPA 能在不使用标签的情况下识别下游任务相关特征。摘要未提供数据集、数据划分、指标数值与具体基线配置，实验协议、消融及统计信息尚未验证，不能据此判断收益幅度或跨数据集稳定性。 平台推测（待验证）：其潜在空间特征子集预测机制或可用于 EEG 提取特征后的表格表示，以探索不依赖人工信号增强的预训练，但这不等于已验证的 EEG 或 BCI 方法。原方法依赖同一样本内特征间的可预测关系；迁移时需重新定义通道、频带等特征分组及掩码方式，低信噪比、跨被试分布差异和小数据可能使模型主要学习伪迹或被试身份。可在固定 Cross-subject 划分下，仅用训练被试预训练，比较相同下游分类器使用原始特征与 T-JEPA 表示的表现，并消融 regularization tokens。已有相关 EEG 工作尚未检索确认。