多 patch 预测：将语言模型适配于时间序列表征学习

基于摘要分析。本文研究如何将大语言模型（LLMs）适配于通用时间序列表征学习，提出 aLLM4TS，将时间序列预测组织为自监督的多 patch 预测任务，以学习时间动态及可迁移表征；原研究对象并非专门的 EEG 或 BCI。 框架采用两阶段训练：首先在多种时间序列数据集上，以预测下一个 patch 为目标进行因果持续预训练；随后在目标时间序列场景中，针对多 patch 预测进行微调。其另一项设计是逐 patch 解码层，将各 patch 的表示分别映射为时间序列，而非依赖序列级解码。摘要未说明具体损失形式、LLM 主干、参数更新范围或 patch 划分方式。 作者报告，该框架在若干下游任务中取得更优表现，并提升了时间表征的可迁移性；作者也认为，多 patch 预测较传统掩码重建更有利于捕捉 patch 表示中的时间动态。但摘要未提供任务名称、数据集、划分协议、对照基线或量化指标，相关效果及实验协议、消融与统计信息尚未验证。 平台推测（待验证）：若 EEG 的局部时间片段包含可预测的动态结构，该自监督机制可能用于 EEG 表征预训练。可复用部分是下一 patch 预训练、多 patch 微调及逐 patch 解码；需改造或核对多通道编码、采样率适配和 patch 时长。低信噪比可能使模型主要拟合背景活动，跨被试及通道配置差异可能削弱迁移，小数据条件下的 LLM 适配也存在过拟合风险。一个可检验的假设是：在固定主干、训练预算和 EEG 被试划分下，多 patch 预测比掩码重建提供更好的下游表征；可用跨被试 MI 分类进行小规模对照，并明确隔离预训练与测试数据。该实验仅为迁移假设，已有相关 EEG 工作尚未检索确认。