MF-CLR：时间序列的多频率对比表征学习

基于摘要分析。MF-CLR 研究不同通道具有不同采样率时，如何从无标签时间序列中学习可用于下游任务的表征。论文以金融领域的日度股票市场指数、月度失业率和季度企业净收入等异频协变量为动机，提出自监督多频率对比学习方法；这里的“频率”指数据采集频率，不应直接理解为 EEG 的频带。 机制上，MF-CLR 沿特征维度构建跨越不同采样频率的层级机制，在每个对比模块中，依据提出的跨频率一致性，对两组采样频率相邻的子序列进行嵌入学习。摘要未给出一致性的数学定义、正负样本构造、时间对齐方式或损失函数细节，这些实现条件尚未验证。 作者报告，在长期预测、短期预测、分类、异常检测和缺失值填补五类下游任务中，MF-CLR 均取得领先表现，并在迁移学习场景下对不同目标数据集规模保持一致表现。摘要未提供具体数据集、划分、对照基线、指标或数值，因此无法核对领先幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能适用于不同采样率神经信号或多模态生理信号的联合表征，但原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。可复用的是跨采样频率的层级组织与一致性约束，需改造时间同步、窗口划分和通道映射；低信噪比、跨被试差异及小样本可能使一致性约束保留共同噪声，或削弱短暂任务相关信息。一个可检验的小实验是：在同一 EEG 数据的部分通道上构造不同采样率，固定被试划分与下游分类器，对比 MF-CLR、统一重采样后的表征方法及移除跨频率约束的版本，检验收益是否来自异频机制而非预处理差异。