OliO：用于自监督时间序列预测的基于 ODE 的线性转移算子

基于摘要分析。本文针对通用时间序列预测中的自监督表征学习，提出即插即用方法 OliO，以线性常微分方程（ODE）导出的转移算子对齐不同时间偏移下的潜在表征，学习双向、连续且结构一致的时间流；研究对象并非特定 EEG 或 BCI 任务。 作者认为，对比学习可能将时间滞后视为噪声，掩码方法则可能扰动预测所需的时间动态。OliO 的核心是对转移矩阵施加严格上三角约束。作者称，该结构使时间演化具有多项式边界，避免无约束 ODE 模型可能出现的指数发散，并支持长期依赖建模。此处的稳定性主张不宜直接等同于任意预测跨度下的误差稳定，仍需正文核对其数学定义、成立条件及训练中的实现。摘要未给出具体损失、时间偏移采样、双向对齐方式或与骨干网络的接口。 作者报告，在多种骨干架构和基准的时间序列预测实验中，相对经过网格搜索的最具竞争力基线，MSE 降幅最高为 5.75%。该数值是所报告实验中的最大降幅，不代表平均收益；具体数据集、划分、预测跨度、基线及统计信息尚未验证。摘要提供代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：若 EEG 潜在表征在局部时间窗内具有可学习的连续演化结构，该算子可能用于 EEG 自监督预训练中的时间一致性约束。可复用部分是潜在空间转移与跨时间对齐；需改造信号编码、时间尺度和通道适配。低信噪比、跨被试差异、小数据及瞬态事件可能使受限线性流失配。可先在固定被试内划分、相同编码器与训练预算下，对比有无该算子的 EEG 预测 MSE，并按预测跨度检查收益是否稳定。已有 EEG 相关工作尚未检索确认，此假设不构成 BCI 有效性证据。