FlowState：具有采样率不变性与动态预测时域的时间序列基础模型

基于摘要分析。FlowState 面向通用时间序列预测，旨在改善现有时间序列基础模型对不同上下文长度、预测长度及采样率的适应能力，并提高计算效率。其核心贡献是结合状态空间模型（SSM）编码器与函数基解码器，以支持连续时间建模及无需重训练的灵活预测时域。 机制方面，摘要将采样率适应性与连续时间建模归因于上述编码—解码设计，并提出用于提高稳健性、加速训练的并行训练策略。函数基的具体形式、时间戳与采样间隔的输入方式、训练目标及并行策略细节尚未验证，因此不能仅凭标题将“采样率不变性”理解为严格的数学保证。 作者报告，FlowState 在 GIFT 和 Chronos benchmarks 上取得最先进结果，在比较模型中规模最小，并对未见采样率表现出更强适应性。摘要未提供具体指标、参数量、数据划分、对照模型及采样率变化范围；这些结论的适用协议、消融及统计信息尚未验证，也不能据此认定其在所有任务上计算成本最低。 平台推测（待验证）：连续时间表示与灵活输出时间网格可能对应跨设备 EEG 采样率不一致的问题，但通用时间序列预测有效不等于 EEG 解码有效。可考虑复用时间表示与编码器，针对 EEG 多通道结构及目标任务改造输出模块；其迁移依赖预训练数据规模、通道组织及预测监督方式，摘要尚未说明。低信噪比、重采样引入的频谱变化、跨被试差异和小数据微调均可能使这一假设失效。一个可检验的小实验是在固定被试划分及相同物理时长的 EEG 片段上，仅改变测试采样率，比较直接推理与统一重采样后推理的预测误差；该实验只能检验采样率适应性，不能直接证明 BCI 解码收益。已有 EEG 相关工作尚未检索确认。