FracTS：层次化自回归时间序列生成

基于摘要分析。本文研究多变量时间序列生成，提出由粗到细的层次化自回归模型 FracTS，旨在缓解传统自回归生成中的样本多样性不足、误差累积与长程依赖建模困难。其主要贡献是将图像领域的分形生成范式从二维迁移到一维序列，以多尺度表示分别建模全局轨迹与局部动态。 机制上，FracTS 在粗尺度捕捉整体结构，在细尺度补充局部变化，并在生成过程中纳入自动或指定处理的时间特征，以及描述序列对应实例的全局静态特征。作者称该设计能够处理多变量依赖、改善长时域时间一致性，且不要求固定长度输入；具体尺度划分、条件注入方式、训练目标与可变长度实现尚未验证。 作者报告，在五个数据集、七种基线的评估中，实验覆盖两个条件生成数据集与三个无条件生成数据集；FracTS 在边缘分布和预测性机器学习效用方面优于基线，并在无条件生成设置下改善相关性保持。相较最佳基线，作者报告无条件与条件生成数据集的预测性机器学习效用分别平均改善 100.0% 和 75.0–81.0%，口径为基于数据集平均原始值计算的相对误差。这些数值不能理解为 Accuracy 的百分点提升；具体指标定义、数据集、划分、消融及统计信息尚未验证。摘要提供了代码链接，运行条件与实现一致性仍需核对。 平台推测（待验证）：若 EEG 的跨通道依赖和多时间尺度结构可由该生成机制保留，FracTS 或可用于数据增强，但原文未提供 EEG/BCI 有效性证据，已有 EEG 相关工作尚未检索确认。可复用部分是多尺度生成框架；需改造时间特征、静态条件与通道表示，以适配采样率和通道配置。低信噪比、跨被试差异及小数据可能使模型学习伪迹或被试特征。一个可检验的小实验是在固定 EEG 跨被试划分下，仅用训练被试拟合生成器，比较无增强与合成数据增强对同一分类器的影响，并检查频谱及跨通道相关性是否得到保留。