Morpheus-2.0：基于双轴注意力的多尺度概率预测

基于摘要分析。Morpheus-2.0 面向通用时序预测中目标与协变量数量、预测长度及采样分辨率各异的问题，提出紧凑的纯编码器基础模型，将目标与协变量统一表示为变量—时间网格，并以双轴注意力联合建模变量间和时间上的关系。 其核心机制是在每一层并行执行两类注意力：同一时刻跨变量的注意力，以及同一变量内部跨时间的注意力；可学习门控逐层加权两者，轴感知旋转位置编码保留两个网格坐标。训练时采样预测长度，使同一套权重覆盖短期至长期预测；摘要称这一设计不增加推理成本，但具体成本比较条件尚未验证。Morpheus-2.0 Multiscale 进一步同时处理多个时间分辨率，并依据待预测序列为不同尺度赋权。相较于摘要所述的逐序列处理或分块处理两类关系的方法，其区别在于逐层并行交互与可变预测长度训练。 作者报告，在覆盖多个领域与采样频率的 GIFT-Eval 上，81M 参数的 Morpheus-2.0 获得 0.685 relative MASE；规模更大的 Morpheus-2.0 Multiscale 获得 0.646 relative MASE 和 0.455 relative CRPS。作者称后者在这两项指标上低于所有已发表系统；该比较的基线范围、指标归一化方式、数据划分、预训练数据与评测集关系，以及消融和统计信息尚未验证。摘要未说明权重或代码是否开放。 平台推测（待验证）：若将 EEG 通道视为变量，双轴注意力可能用于同时刻跨通道依赖与通道内时序关系建模，多尺度机制则可能适配不同时间尺度的动态；这是假设，不是已验证的 BCI 效果。原方法依赖目标、协变量与时间网格的对应关系，迁移时需改造通道身份与位置表示、尺度设置及任务输出。低信噪比、跨被试差异、通道配置变化和小样本可能使变量关系失稳。可先在固定通道的 EEG 预测任务中，采用相同被试内划分与训练预算，对照仅时间注意力和双轴注意力，检验跨通道建模是否改善留出时段预测；该实验不能替代 BCI 解码验证。已有相关 EEG 工作尚未检索确认。