在所有时间步进行对比：利用时间一致性学习时间序列表征

基于摘要分析。本文研究通用时间序列的无监督对比表征学习，提出 CaTT（Contrast All The Time），以时间数据的自然结构作为隐式监督，通过并行对比所有时间步学习表征，而非依赖数据增强或选定视图。 核心机制是可扩展的 NT-pair 公式：将经典 N-pair 损失扩展到批次与时间两个维度，利用重复或相邻时间步之间的关系进行端到端学习。作者将其与依赖数据增强、选定视图或配对启发式规则的时间序列对比方法相区别；具体正负样本定义、时间一致性的实现方式、损失计算与复杂度仍需正文核对。 作者报告，CaTT 学到的嵌入可提升下游任务表现，且训练快于其他对比学习方法。摘要未提供数据集、下游任务、划分协议、对照基线、指标数值或运行环境，因此无法核实提升幅度及效率比较的适用条件。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但实现细节及复现条件尚未核验。 平台推测（待验证）：其跨时间步对比机制可能用于 EEG 无标签表征预训练，以减少对人工增强规则的依赖，但原领域效果不等于 BCI 有效。该迁移假设依赖局部时间关系具有可学习的一致性；EEG 中的低信噪比、瞬态事件、跨被试差异和通道布局变化可能使相邻时间步并不对应相同任务状态。可复用 NT-pair 对比目标，输入编码、时间窗口和跨通道组织方式则需适配。一个可证伪的小实验是在固定 EEG 数据划分、编码器与训练预算下，对比 CaTT 目标和增强式对比目标，再用相同线性探针评估下游任务，并改变时间窗口检验收益是否稳定。已有 EEG 相关工作尚未检索确认。