Temporal Hide&Seek：面向时间序列的实例级时间–特征选择

基于摘要分析。该研究针对时间序列中“哪些变量在什么时刻影响单次预测”的实例级特征选择问题，提出 Temporal Hide&Seek（T-HiSe），联合学习选择器与预测器，以处理相关位置随时间上下文及输入窗口变化、逐点掩码可能破坏时序结构的问题。原论文主要研究对象是通用时间序列选择，EEG 癫痫检测是其两个真实场景案例之一，不能据此视为已验证的 BCI 解码方法。 机制上，基于 Transformer 的 Hide 网络读取完整输入窗口，为每个时间–特征对生成连续掩码；基于 LSTM 的 Seek 网络从掩码处理后的序列进行预测，两者端到端联合训练。被掩码的观测使用来自严格更早训练窗口的完整特征轨迹替换，旨在保留各特征的时间结构并避免引入未来信息；退火式稀疏惩罚随训练推进使掩码更加集中。摘要未给出替换操作的具体实现、损失公式或退火日程，尚需核对。 作者报告，在八个具有已知真实支持集的合成基准上，涵盖固定及上下文依赖的支持集，T-HiSe 在七个基准上取得最佳或并列最佳支持集恢复表现，平均恢复结果为 97.2%；具体指标定义及平均方式尚未验证，不能将该数值解读为预测 Accuracy。作者报告，最大提升出现在相关支持集随窗口切换的情形。在每小时共享单车需求与 EEG 癫痫检测两个案例中，预测表现与所报告的参考方法相当，且高掩码值集中于窗口中相对较小的部分；删除高排名单元造成的性能下降明显大于删除同等数量随机单元，但摘要未提供具体分数。 对 EEG 场景，时间–通道层面的选择机制及删除检验具有可核对的解释分析价值，但删除敏感性本身不证明所选位置具有生理因果意义。EEG 数据集、被试数量、被试内或跨被试划分、评价指标、参考基线、替换轨迹的采样约束，以及实验协议、消融与统计信息尚未验证。复现需核对完整实现与上述设置；当前材料未提供代码或权重信息。