通过扩散过程与插补–插值–预测掩码进行时间序列表示的自监督学习

基于摘要分析。本文研究通用时间序列表示的自监督学习，提出 Time Series Diffusion Embedding（TSDE），将多任务掩码与条件扩散训练结合，尝试使扩散模型不局限于插补或预测等单一应用，而能学习支持多种下游任务的表示。 机制上，Imputation-Interpolation-Forecasting（IIF）掩码将时间序列划分为已观测部分与被掩码部分。可训练的嵌入函数通过带 crossover 机制的双正交 Transformer 编码器处理已观测部分；反向扩散过程以这些嵌入为条件，学习预测加入被掩码部分的噪声。摘要未说明两种正交编码的具体轴向、crossover 的实现、掩码采样比例或完整损失定义，均需正文核对。作者将该方法定位为首个基于扩散的自监督时间序列表示学习方法，此优先性主张尚未独立验证。 作者报告，TSDE 在插补、插值、预测、异常检测、分类和聚类任务中表现优于对照，并进行了消融、嵌入可视化和推理速度比较。但摘要未提供数据集、划分、基线、指标或具体数值，因此尚不能判断收益幅度、各任务评估是否可比，以及表示学习与任务专用推理各自的贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，利用不同缺失模式和条件去噪学习时序依赖，可能有助于 EEG 缺失片段建模及自监督预训练。可复用掩码与条件去噪框架，但需明确时间轴和通道轴的编码方式，并适配通道布局及幅值尺度。低信噪比可能使表示过度拟合伪迹，跨被试差异、通道不一致和小数据也可能削弱泛化。一个可证伪的小实验是在固定 Cross-subject 划分、仅用训练被试进行自监督训练的条件下，对比 IIF 掩码与随机掩码，保持编码器、数据量及线性分类评估协议一致，检验下游分类与缺失片段鲁棒性是否同时改善。已有 EEG 相关工作尚未检索确认。