打破尺度锚定：通过频率表征学习实现低分辨率训练后的准确高分辨率推理

该研究面向 Zero-Shot Super-Resolution Spatiotemporal Forecasting，研究模型仅用低分辨率数据训练、在高分辨率上推理时，误差为何未随分辨率提高而下降，并提出 Frequency Representation Learning（FRL）加以缓解。基于摘要分析，未取得论文全文。 作者将误差停留在低分辨率水平的现象定义为 Scale Anchoring，指出跨分辨率误差相近并不必然意味着模型具备替代数值求解器所需的精度改善能力。其机制解释是：低分辨率数据可表征的物理规律频率上限受 Nyquist 频率约束，模型因而难以处理高分辨率推理时出现的未见频率成分。 FRL 被描述为架构无关的方法，通过与分辨率对齐的频率表征及频谱一致性训练缓解这一问题。作者报告，在所研究的任务与分辨率范围内，FRL 增强模型在具有更高 Nyquist 频率的网格上表现出更稳定的高频响应，误差随分辨率提高而下降，并优于基线，计算开销增幅较小。摘要未提供具体任务、数据集、基线名称、量化结果及开销测量条件；频率表征的构造、训练监督、损失形式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其频率对齐思路可能启发不同采样率 EEG 的表征学习，但原研究对象是时空预测，并非 EEG 解码。迁移假设依赖可对齐的采样率与频率结构，可借鉴频谱一致性训练，任务监督及采样率相关模块则需改造；提高采样率也不等于恢复已被低通滤除的信息。低信噪比、通道差异及小样本可能使高频表征不稳定。可在同一批高采样率 EEG 上，经抗混叠降采样构造低采样率训练输入，在严格隔离的测试数据上比较加入与不加入该机制的跨采样率解码表现。相关 EEG 工作尚未检索确认。