面向时间序列聚类的端到端深度表征学习：一项比较研究

基于摘要分析。本文研究标注难以获取时的时间序列深度聚类，主要贡献是系统比较已有表征学习方法，并将其拆分为网络架构、预文本损失（pretext loss）和聚类损失三个组件，考察各组件及其组合对聚类性能的影响。 作者报告，研究评估了上述组件的全部组合，共计300个模型，并将其中表现较好的组合与已有非深度聚类方法进行实验比较。实验使用UCR/UEA archive，包含128个单变量和30个多变量时间序列数据集。摘要未给出具体架构、损失形式、数据划分、聚类指标、性能数值或最优组合，因此不能据此判断哪类组件更有效；实验协议、消融及统计信息尚未验证。 除比较研究外，作者还提出将class activation maps扩展到无监督场景，以识别有助于理解网络聚类依据的时间序列模式。该扩展的具体计算方式及解释有效性验证尚未核对，不能将可视化直接视为因果解释。 平台推测（待验证）：其组件化比较框架可用于研究EEG无标签表征是否保留任务相关结构，但原文研究对象是通用时间序列，并未提供EEG或BCI有效性证据。可复用的是架构、预文本目标与聚类目标分离比较的设计；迁移时需适配EEG多通道结构、时间窗及归一化方式。低信噪比、通道差异和小数据可能导致聚类主要反映伪迹或被试身份，而非目标状态。一个可检验的小实验是在固定EEG编码器和数据划分下，仅改变预文本损失与聚类损失，以任务标签作事后外部评估，并检查聚类与被试身份的关联；标签不参与训练或选模。相关EEG工作尚未检索确认。