适应数据而非模型：面向冻结时间序列预测器的输入空间适应

基于摘要分析。本文研究临床时间序列预测器跨医院迁移时，因监管或硬件约束无法更新已验证模型的问题，提出 INPUTADAPTER：利用目标域标签训练输入适配器，将目标域时间窗转换为冻结预测器可处理的输入，而不修改预测器权重。主要研究对象是临床预测与通用时间序列域适应，并非 BCI。 机制上，可训练部分位于输入空间，下游预测器保持冻结；可选模块在编码器潜在空间中，为每个时间步检索 k 个源域近邻样例，并通过 cross-attention 融合上下文。摘要未给出适配器结构、损失形式、训练时梯度路径及源域样例访问条件，需正文核对。这里的目标域标签可用是关键前提，不能直接等同于无监督域适应或无标签测试时自适应。 作者报告，在 MIMIC-IV 向 eICU、HiRID 迁移的五项 ICU 任务及 AdaTime 的全部五个基准上，INPUTADAPTER 优于或持平于所比较基线。摘要列出的对照包括冻结骨干域适应、仿射统计适配、端到端微调、端到端域适应及 T3A、SHOT、TENT、SAR、EATA 等测试时自适应方法。作者还报告，在五项临床任务中的四项上超过 eICU 与 HiRID 各自原生训练的 LSTM，其中 eICU 的 AKI 任务取得最大 AUCPR 增益，为 14.1 个百分点；该数字对应的具体对照、数据划分及统计不确定性尚未验证。各基线可用标签、训练预算、检索库构建与选择规则，以及消融及统计信息均需核对。 平台推测（待验证）：若 EEG 系统存在必须冻结的既有预测器，且有少量带标签目标被试或目标会话数据，输入空间适配可能用于缓解跨被试或跨会话分布偏移。可复用的是冻结预测器与前置适配器的组合，需改造通道映射、时间窗和幅值约束；低信噪比、通道缺失及小样本监督可能造成过拟合或信号失真。可先在固定的跨会话划分上，比较不适配、仿射统计适配与 INPUTADAPTER，在相同目标标签预算下检验独立测试集效果。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。