学习时间尺度不变的群体水平神经表征

通用人工神经网络时序模型有助于加速神经科学发现并支持脑机接口（BCI）等应用。其关键组件之一是群体水平表征学习，它利用跨通道信息来捕捉空间和时间结构。群体水平方法最近表明，这些表征可以在预训练的时序编码器上方进行高效学习，并为解码各种下游任务提供有用表征。然而，这些模型对预训练和下游设置之间在时间尺度上的不匹配仍然敏感。我们系统性地检验了时间尺度不匹配如何影响泛化，发现现有表征缺乏不变性。为此，我们引入时间尺度增强预训练（TSAP），在解码任务中对不同时间尺度的鲁棒性实现了持续的改进，并在表征空间中构建了不变性。这些结果凸显了处理预处理多样性作为构建通用神经基础模型的关键步骤。