ZEST：零样本端到端时间序列状态检测

基于摘要分析。该研究面向多变量时间序列状态检测（TSSD），目标是识别状态边界及重复出现的状态。ZEST 将该任务重构为层次化结构生成，通过适配预训练视觉语言模型，从序列的全局图像预测状态结构，以避免在每条目标序列上重新学习表征并进行聚类。 监督构建方面，作者利用预测一致性，引导从大规模无标签真实时间序列中构建状态原型，再通过可控调度器将原型重组为具有精确状态标签的多变量序列。模型接受层次化监督，联合生成叶级分段与状态合并树，从而为未见序列提供默认叶级划分及多个更粗粒度候选。摘要称，目标序列推理无需目标标签、参数更新、超参数调优或聚类；视觉语言模型、图像编码方式、训练目标与适配细节尚未验证。 作者报告，在所测试的固定预算设置下，时间代理监督存在持续冲突，扩大预训练语料的迁移收益有限；这些结论不能外推至其他预算或训练设置。作者还报告，ZEST 在六个基准上取得较强的零样本叶级表现，但摘要未给出基准名称、指标、具体数值及对照结果。另一个独立实验使用目标标签辅助选择预测粒度，不能将其收益视为完全无目标标签的零样本结果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“状态原型重组—层次分段生成”机制可能适用于探索 EEG 中重复状态与多时间尺度边界，但依赖序列图像保留有效动态，以及合成原型覆盖真实状态变化。可复用原型调度与层次输出思路，需改造 EEG 通道布局、尺度归一化和伪迹处理；低信噪比、跨被试差异、通道变化及小样本可能使模型依据伪迹而非目标状态分段。一个可证伪的小实验是在具有独立状态标注的 EEG 数据上固定模型与默认粒度，以留出被试评估边界和状态识别表现，不用目标标签选择粒度，并单独检查伪迹区间的误检。已有相关 EEG 工作尚未检索确认。