GRAM：通过图检索幅度记忆校正冻结的时序基础模型

基于摘要分析。GRAM 针对冻结时序基础模型（TSFM）的预测校正问题，提出检索增强框架：不直接复用相似历史窗口的真实未来值，而是从历史预测误差中提取可重复的系统性偏差，用于修正当前预测。 核心机制：作者认为，历史真实未来值既包含基础模型已经捕获的可预测成分，也包含难以迁移的样本特异性随机波动；相比之下，重复出现的模型偏差更直接反映冻结模型的失效模式。Amplitude Memory Module（AMM）按幅度缩放预测误差，并将其聚合为可检索原型，以处理不同数值尺度下误差难以比较的问题。Prototype Graph Module（PGM）建模原型间关系，聚合一致的偏差信息并抑制随机波动。在线预测时，GRAM 检索并扩展与当前查询相关的原型，为各预测步生成校正量，细化原始 TSFM 输出。摘要未给出幅度定义、原型构建规则、图连接方式或校正器训练细节。 结果与核对事项：作者报告，在多个数据集和基础模型上获得一致的预测改进，但摘要未提供数据集名称、指标、数值、划分或对照配置，不能据此判断收益大小与统计稳定性。实验协议、消融及统计信息尚未验证；复现时需核对历史误差记忆的构建时间范围、在线可用信息、记忆更新机制，以及 AMM 与 PGM 的独立贡献。 平台推测（待验证）：若 EEG 连续信号预测存在可重复的模型偏差，该机制可能用于冻结预测模型的残差校正，但不等同于已验证的 BCI 解码收益。其依赖具有真实后续观测的历史窗口和相对稳定的误差结构；可复用误差原型与图聚合思路，需改造多通道幅度处理及被试、会话间检索策略。低信噪比、通道差异和小数据可能使原型主要反映噪声或个体差异。可在严格按时间划分的单一 EEG 连续预测任务中，对比冻结模型、直接残差检索和 GRAM 式校正，检验图聚合是否带来稳定收益。已有 EEG 相关工作尚未检索确认。