以分箱作为前置任务：改进表格领域的自监督学习

基于摘要分析。本文研究表格数据中类别与数值特征异质、依赖关系可能呈分段常数等不规则形式时的自监督表征学习，提出以重建分箱索引（顺序或类别）替代重建原始特征值的前置任务。核心贡献是将分箱引入预测目标，为编码器提供学习离散化依赖关系的归纳偏置，并将不同特征的目标统一为类别类型。 机制上，输入仍可包含连续数值，但预测目标转为其所属分箱。作者认为，这既能将同一特征内的相近值归组，也能提供顺序信息，并使各特征对应的目标集合得到标准化。摘要还称该任务可与不同编码器架构及额外改动兼容；分箱边界如何确定、类别特征如何处理、顺序信息如何编码，以及具体损失与训练流程尚未验证。 作者报告，在多种表格数据集和多类下游任务的评估中，该方法持续改善了表征学习表现。摘要未提供数据集名称、划分、对照基线或指标数值，因此无法判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 的频带功率等连续统计量构造成表格特征，该机制可能用于缓解不同特征尺度和类型造成的预训练目标异质性，但这是假设，不是已验证的 EEG/BCI 效果。可复用分箱目标与表格编码器，需适配跨被试特征分布，并仅用训练划分估计分箱边界。低信噪比可能导致边界附近目标不稳定，分箱也可能抹去细微判别信息；小数据下边界估计及跨被试分布偏移均是失败风险。一个可检验的小实验是在固定 EEG 表格特征、编码器和跨被试划分下，对比原值重建与分箱索引重建，并检验分箱粒度的影响。已有 EEG 相关工作尚未检索确认。