FACETS：面向鲁棒时间序列表征学习的选择性跨频带监督

基于摘要分析。本文研究时间序列自监督学习中的“监督污染”：当干扰可预测、可重建或在不同视图间保留时，预训练目标可能持续强化干扰，而不只是受到观测噪声影响。FACETS 以同一序列不同频率成分之间的选择性一致性作为主要学习信号，将鲁棒性问题转向监督关系设计。 机制上，FACETS 通过停止梯度的相对规律性估计，降低支持较弱成分的权重；通过方向校正削弱批次共享漂移的影响；仅将时间预测用作局部辅助约束。作者还区分观测到的跨频带依赖、由干扰介导的依赖，以及频率成分与部署时原始视图编码器之间的差距，以分析成分一致性何时能改善实际部署表征。具体估计量、目标函数和成立条件尚未验证。 作者报告，在受控干扰诊断中，仅使用预测监督会使注入干扰高度可解码；仅使用跨频带监督则显著降低干扰可解码性，但会牺牲部分语义准确率。这提示抑制干扰与保留任务信息之间存在需要核对的权衡。作者报告，在五个生物医学与工业数据集的 10% 标签线性评估中，FACETS 的 Accuracy 较各数据集最强自监督基线提高 2.07–4.44 个百分点，并在全部五个数据集上取得最佳加权 F1；在六个 ECG 迁移方向上均领先，且在递增高斯噪声条件下仍表现最强。摘要未提供数据集名称、划分方式、基线明细及噪声强度，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中与任务相关的跨频带依赖能与干扰介导的依赖区分，该监督设计可能有助于缓解自监督表征对伪迹或漂移的依赖。可复用部分是选择性跨频带一致性与干扰可解码性诊断；频带构造、规律性估计和漂移校正需适配 EEG。低信噪比、通道差异及小数据可能使真实任务成分被降权，跨被试变化也可能破坏一致性假设。可在固定跨被试划分与相同编码器下，对比预测监督、跨频带监督及组合监督，同时测量任务 Accuracy 与可控注入干扰的可解码性。已有 EEG 相关工作尚未检索确认，ECG 结果不能直接视为 BCI 有效性证据。