FAT：面向增强时间序列表征学习的频率感知预训练

基于摘要分析。本文面向通用时间序列表征学习，提出自监督预训练框架 FAT，使骨干模型直接从时域信号中提取可泛化的频率模式；其主要贡献是将频率感知能力引入预训练，而非为下游任务重新设计专用网络，作者称推理时无需修改架构或增加模块。 机制上，FAT 使用 frequency reformer，通过自监督学习增强关键频率成分，并约束编码器对原始序列与频率重构序列产生相似表征。针对语义相同的时间序列可能具有不同频率表达的问题，框架进一步引入 Knowledge-Guided Frequency Reformer，尝试统一同一语义下的频率表达，并将相似性约束扩展到频率不变增强样本。摘要未说明知识来源、关键频率的选择方式、增强构造及具体损失形式，这些机制仍需全文核对。 作者报告，在覆盖回归与分类任务的 14 个基准数据集上，FAT 达到最先进性能，并在不同骨干模型上保持稳健、优于现有预训练方法。摘要未提供数据集名称、划分协议、具体指标、分数与基线配置，因而无法量化收益或判断不同任务间的可比性；实验协议、消融及统计信息尚未验证。作者提供了代码链接，但代码完整性与复现条件尚未核验。 平台推测（待验证）：该机制可能用于 EEG 中频率模式易受被试或采集条件影响的表征学习，但这只是迁移假设，并非本文已验证的 BCI 结果。可复用部分是预训练期的频率重构与表征一致性约束；需针对 EEG 调整频带变换及多通道关系，并确认增强不会改变任务标签。其风险在于把具有判别意义的频率差异误当作应消除的变化，或在低信噪比、小样本条件下增强伪迹。一个可检验的小实验是在固定跨被试划分下，比较同一骨干的原始预训练与 FAT 预训练，控制数据量及下游训练流程，并检查收益是否依赖破坏任务相关频带的增强。已有相关 EEG 工作尚未检索确认。