学习时间尺度不变的神经群体级表征

基于摘要分析。本文研究神经时间序列基础模型在预训练与下游任务时间尺度不匹配时的泛化问题，提出 Time-scale Augmented Pretraining（TSAP），旨在提高解码鲁棒性并形成时间尺度不变的表征。 研究对象是神经群体级表征：利用跨通道信息同时捕获空间与时间结构。摘要介绍，此类表征可在预训练时间编码器之上高效学习，并用于多种下游解码任务，但仍对预处理差异，尤其是时间尺度差异敏感。作者报告，系统考察时间尺度不匹配后，发现现有表征缺乏相应不变性；在其考察的不同时间尺度及解码任务中，TSAP 持续改善鲁棒性，并增强表征空间中的不变性。摘要未说明时间尺度变化的具体定义、增强方式及训练目标，不能据此认定其采用特定重采样或对比损失。 摘要未列明神经信号模态、数据集、被试规模、数据划分、对照模型或量化结果，因而尚不能判断收益是否覆盖 EEG、跨被试或跨会话场景。实验协议、消融及统计信息尚未验证；复现还需核对时间尺度变换是否保持任务标签语义，以及预训练与下游预处理的对应关系。 平台推测（待验证）：若 EEG 解码存在类似时间尺度不匹配，TSAP 的预训练思路可能具有参考价值，但需按信号频段和任务事件时序约束改造增强策略，避免改变判别信息。可在固定数据划分与解码器的条件下，对比有无 TSAP 时在匹配及不匹配时间尺度上的表现，以检验鲁棒性收益及原尺度性能是否受损；低信噪比和小数据条件下的有效性仍待验证。已有 EEG 相关工作尚未检索确认。