TSLANet：重新思考用于时间序列表征学习的 Transformer

基于摘要分析。本文面向通用时间序列表征学习，针对 Transformer 在噪声敏感性、计算效率和小数据集过拟合方面的局限，提出轻量级自适应网络 TSLANet，以卷积模型支持分类、预测与异常检测等任务；其主要研究对象并非专门的 EEG 或 BCI。 机制上，Adaptive Spectral Block 利用 Fourier 分析增强特征表示、捕捉长短程交互，并通过自适应阈值抑制噪声；Interactive Convolution Block 用于时序交互建模，配合自监督学习提升复杂时间模式的表征能力。摘要未说明阈值的具体计算方式、卷积交互结构、自监督目标及训练流程，这些细节尚未验证。 作者报告，在分类、预测和异常检测实验中，TSLANet 优于所比较的先进模型，并在不同噪声水平与数据规模下表现出稳健性。摘要未列出具体数据集、划分协议、基线名称、指标与数值，因此尚不能核对优势幅度或进行跨协议比较；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现细节与复现条件尚未核验。 平台推测（待验证）：其频谱阈值处理与局部卷积交互可能对应 EEG 中噪声干扰和多时间尺度模式建模的需求，但有效性取决于噪声与任务相关信号能否在频谱上区分。可复用频谱处理和卷积模块，需核对并适配多通道组织、采样率、窗口长度及自监督目标。低信噪比下的弱任务成分可能被阈值误抑制，跨被试频谱差异、通道配置变化及小样本训练也可能削弱收益。一个可检验的小实验是在同一 EEG 数据集、固定被试内划分与训练预算下，对比完整模型、移除自适应阈值的变体及卷积基线，观察受控加噪前后的分类指标变化。相关 EEG 工作尚未检索确认。