从文本到预测：以时间演化语义空间弥合模态鸿沟

基于摘要分析。本文研究文本辅助时间序列预测中的模态鸿沟：文本通常隐式、定性地描述事件影响，而预测模型需要显式、定量的信号。作者提出 TESS，以 Temporal Evolution Semantic Space（时间演化语义空间）作为跨模态中间瓶颈，将文本转化为可解释、具有数值依据的时间演化原语。 机制上，TESS 通过结构化提示调用 LLM，从文本中提取分布偏移、波动性、形态和滞后四类原语，再以置信度感知门控进行筛选。作者报告，受控半合成实验显示，现有方法会过度关注冗余 token，且难以稳定地把文本语义转化为可用数值线索。该方法的主要思路是以结构化时间语义替代直接融合原始文本表征；原语的具体数值表示、置信度来源、门控形式及与预测器的连接方式尚未验证。 作者报告，在四个真实世界数据集上，相对所比较的先进单模态与多模态基线，预测误差最高降低 29%。摘要未给出数据集名称、误差指标、预测范围、数据划分及该最大改善对应的具体对照，不能据此判断平均收益或不同协议下的可比性。实验协议、消融及统计信息尚未验证；摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 预测任务具有与信号时间对齐、且预测时可获得的事件文本，TESS 的结构化原语瓶颈或可用于表达事件诱发的非平稳变化；这不等同于已证实的 BCI 解码收益。可复用的是文本结构化与置信度筛选思路，需改造原语定义及其与多通道 EEG 的对应关系。低信噪比、被试差异、小数据及文本与信号错位可能使原语失真。一个可检验的小实验是在固定被试内时间划分下，比较纯 EEG、直接文本融合和原语瓶颈融合，并加入文本打乱对照，检验收益是否依赖有效事件信息。已有 EEG 相关工作尚未检索确认。