适配数据，而非模型：面向冻结时间序列预测器的输入空间适配

基于摘要分析。本文研究多变量时间序列预测器权重锁定、部署方持有目标域标签且源训练数据可能不可访问时的域适应问题，提出 PILOT（Per-timestep Input-space adapter for LOcked predicTors），通过训练逐时间步的输入空间适配器，而非更新预测器权重，改善目标域任务表现。 机制上，PILOT 使用目标域标签计算任务损失，经冻结预测器反向传播以训练适配器，并提供无源数据与源数据辅助两种设置。这里的“无源”不等于无监督：目标域标签是摘要明确给出的训练条件。其核心区别是把可训练部分移到输入端；预测器冻结也不意味着无需梯度访问。摘要以闭源推理 API 等部署约束为动机，但具体接口如何支持所需反向传播尚未验证。 作者报告，在采用冻结 1D-CNN 骨干的五项临床时间序列任务（涵盖两种域偏移）及五个 AdaTime 传感器基准上，PILOT 优于所比较的冻结骨干、端到端及测试时自适应基线，并达到或超过直接在目标域训练的模型表现。作者报告 AKI 的 AUCPR 提升为 +15.3，AdaTime 平均 Macro-F1 相对领先测试时自适应方法提升为 +10.1；摘要未明确这两个增量的计量尺度，且前者的具体对照未说明，不能自行换算为百分比或百分点。作者还报告，在单一架构上训练的适配器能够零样本迁移到其他冻结预测器。目标域标签预算、数据划分、跨架构迁移条件、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能用于有少量目标标签、解码器权重不可修改的 EEG 跨被试或跨会话适配，可复用输入适配与冻结预测器训练路径，但需处理通道对应、采样率及信号尺度。低信噪比、通道差异和小样本标签可能使适配器过拟合或改变任务相关波形。一个可检验的小实验是在固定目标域标签预算和独立测试划分下，比较冻结 EEG 解码器、输入适配器与微调基线，并检验适配器跨架构复用是否仍有效；原文结果不构成 EEG/BCI 有效性证据，已有相关工作尚未检索确认。