面向 EEG 任务的时间序列基础模型预训练中的自适应多目标对齐

基于摘要分析。本文研究 EEG 时间序列基础模型的多目标自监督预训练：单一目标可能限制表征覆盖的特征类型，而联合多个目标时，梯度幅值差异又可能使部分目标主导优化。作者提出 MAPE（Multi-objective Alignment in Pretraining time-series foundation models for EEG tasks），通过分析预训练损失，在同一训练流程中对齐多个目标，以改善 EEG 表征学习。 技术机制方面，摘要将优化失衡归因于不同目标的梯度幅值差异，并将 MAPE 描述为具有理论依据、直接且低成本的对齐框架。掩码重建只是文中列举的单目标预训练例子，不能据此确定 MAPE 实际使用的目标组合。损失分析如何转化为对齐操作、是否涉及动态权重或其他梯度处理、理论成立条件及额外计算开销，均尚未验证。“适用于任何模型”是作者对方法适用范围的主张，不能视为已完成全面验证。 作者报告，在三种不同编码器的实验中，MAPE 相较于未对齐的多目标预训练和单目标自监督预训练取得更好的表现。摘要未提供编码器名称、数据集、下游任务、被试规模、指标或提升幅度，也未说明被试内、跨被试、跨会话或跨数据集协议，因此尚不能判断收益的大小及其具体泛化边界。 复现时需从全文核对目标组合、对齐规则、训练预算与对照设置，并确认不同编码器上的收益是否来自可比协议；实验协议、消融及统计信息尚未验证。当前材料支持将其视为 EEG 多目标预训练的优化方法研究，但不足以确认其对具体 BCI 任务的有效性。