面向半监督时间序列分类的自监督对比表征学习

基于摘要分析。研究面向无标签或仅有少量标签的时间序列分类，提出通过时序与上下文对比学习表征的 TS-TCC，并扩展为半监督框架 CA-TCC，以利用少量标签进一步改善表征。 TS-TCC 为时间序列设计弱增强和强增强，利用增强视图在时序对比模块中学习稳健的时序关系，并通过上下文对比模块学习具有判别性的表征。作者还系统研究了时间序列数据增强的选择。CA-TCC 则利用 TS-TCC 产生的伪标签构建类别感知对比损失；摘要未展开增强操作、伪标签生成与筛选流程、损失公式及各模块的训练安排。 作者报告，所学特征在线性评估中表现可与全监督训练相当，并在少量标签和迁移学习场景下表现出较高效率。摘要未给出数据集、标签比例、数据划分、对照配置或具体指标，因此不能判断结论适用于哪些协议，也不能将“效率”直接解释为计算成本降低。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法对 EEG 的潜在价值在于从无标签时序信号中学习表征，并借助少量标签约束类别结构；这不是已证实的 BCI 效果。迁移假设依赖于增强保持任务语义，以及伪标签具有足够可靠性。可考虑复用时序与上下文对比目标，但需按 EEG 的通道结构和任务频段调整增强及输入处理。低信噪比、跨被试分布差异和小样本条件可能使增强破坏类别信息，或使伪标签误差在训练中累积。一个可证伪的小实验是在固定跨被试划分和标签预算下，对照同一骨干的监督训练、TS-TCC 与 CA-TCC，并检查不同增强与伪标签可靠性是否对应分类收益。已有 EEG 相关工作尚未检索确认。