$S^2$IP-LLM：利用 LLM 语义空间引导的提示学习进行时间序列预测

基于摘要分析。该研究面向通用时间序列预测，提出 $S^2$IP-LLM，将预训练 LLM 的语义空间与时间序列嵌入空间对齐，并利用联合空间中学习的提示辅助预测；主要贡献是将预训练词嵌入构成的语义锚点用于表征不同的时间动态，而非仅将 LLM 作为预测骨干。 核心机制包括：先设计面向跨模态对齐的 tokenization 模块，显式拼接分解后的时间序列分量片段，形成编码时间动态的嵌入；再从预训练词 token 嵌入中导出语义锚点，通过最大化联合空间中的余弦相似度，使选定锚点与时间序列嵌入对齐；最后检索相关锚点作为提示，为预测提供上下文。摘要未说明序列分解方式、锚点构建与筛选细节、LLM 是否冻结、完整训练目标及推理流程，这些信息尚未验证。 作者报告，在多个基准数据集上的预测表现优于所比较的先进基线，并报告消融与可视化支持语义空间引导提示学习的必要性。摘要未列出数据集名称、划分、预测跨度、指标或数值，无法据此判断提升幅度及不同设置下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可形成一个 EEG 时序预测假设，即通过分量片段嵌入与可检索锚点，为不同时间动态提供上下文。可复用的是嵌入对齐与锚点检索机制，需改造的是适配 EEG 多通道结构、采样率及预测目标的序列分解和 tokenization。其前提是语言语义锚点能为 EEG 动态提供有效结构约束；低信噪比、跨被试差异、通道配置变化及小数据可能使对齐不稳定，或令锚点主要反映伪迹而非目标信号。一个可证伪的小实验是在固定被试内、按时间顺序划分的 EEG 预测任务中，保持骨干和训练预算一致，对比语义锚点提示、随机锚点提示与无提示版本，检验语义结构是否带来独立收益。这不构成 BCI 解码有效性的证据；相关 EEG 工作尚未检索确认。