通过时频一致性进行时间序列自监督对比预训练

基于摘要分析。本文研究通用时间序列预训练中的源域与目标域不匹配问题，提出 time-frequency consistency（TF-C，时频一致性），通过对齐同一样本的时域与频域邻域表征，学习可迁移的表示；预训练阶段不需要访问目标域样本。 核心机制是构建可分解的预训练模型：时间与频率成分分别通过对比估计训练，并以两者之间的距离提供自监督信号，使样本的时域邻域与频域邻域在时频表示空间中接近。其出发点是利用同一时间序列在两种视角下的对应关系，缓解时间动态、快速变化趋势及长短周期效应不同造成的迁移困难。具体编码器、频域变换、邻域构造、损失形式及微调配置尚未验证。 作者报告，在涵盖电诊断检测、人体活动识别、机械故障检测和身体状态监测的八个数据集上，与八种基线方法比较：一对一迁移设置下，例如 EEG 预训练后在 EMG 数据上微调，平均 F1 提升 15.4%；一对多迁移设置下，例如将 EEG 预训练模型分别微调用于手势识别或机械故障预测，平均 precision 提升 8.4%。摘要未明确这些百分比是相对增幅还是百分点差值，也未提供逐数据集结果、数据划分及被试协议，因此不能据此推断跨被试 EEG 或 BCI 性能。作者提供了代码与数据的公开地址，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：时频一致性可能为 EEG 中时域动态与频谱信息的联合预训练提供可复用约束，但通用时间序列迁移有效不等于 BCI 有效。迁移时需核对频域表示及增强是否保留任务相关信息，并处理通道配置、采样条件和被试差异；低信噪比下也可能对齐伪迹而非有效神经信号。一个可检验的小实验是在固定跨被试划分、相同编码器和训练预算下，对比完整 TF-C、仅时域对比预训练及去除时频一致性约束的配置，检验该约束是否带来稳定收益。已有相关 EEG 工作尚未检索确认。