GTC 告诉模型窗口位于整夜何处
自监督睡眠模型通常从短时固定长度窗口（例如 30 秒 epoch）学习，并把每个窗口当作独立样本。常规位置编码描述的是 token 在该窗口内部的位置，却不说明这个窗口来自整夜开头还是数小时之后。论文指出，呼吸稳定性、自主神经张力和心脏动力学随睡眠周期和夜间时间变化，因此这一信息有实际意义。
GTC 补上了这个缺失信号。每个 30 秒窗口用它在整段记录中的顺序位置作为索引，再用数据集层面的睡眠时长均值和标准差对该索引做归一化。一个两层 MLP 把归一化后的值转换为逐特征调制参数，对该窗口内所有局部位置的潜在表征做缩放和平移。可学习的标量门初始化为零，因此 GTC 一开始等同于恒等操作，条件化模型从无条件的表征出发。
这个机制刻意做得小而可移植：新增参数随嵌入维度线性增长，并且不替换局部位置编码。论文把它接入三个骨干网络和训练目标各不相同的框架，正因如此，结果才能指向机制本身，而不只是某一个架构。
三个框架、五项任务、两个队列
预训练使用全国儿童医院睡眠数据库（NCH）的 2,379 份整夜儿科多导睡眠图记录，包含一致的十六个生理通道。评估覆盖五项临床相关任务：睡眠分期，以及呼吸暂停、EEG 觉醒、血氧去饱和和低通气四项事件检测。这些任务类别严重不平衡；在 NCH 上，阳性率从睡眠分期的 0.8% 到 EEG 觉醒的 8.7% 不等。
三个框架分别是 SleepFM（CNN 编码器加对比学习）、PedSleepMAE（基于 ViT 的掩码自编码）和 SynthSleepNet（在预训练的单模态 NeuroNet 编码器上结合掩码自编码与对比学习）。在 NCH 上，模型骨干被冻结，只用线性分类器探测，因此变化反映的是表征质量，而非微调适配。在 CHAT 上——另一个包含 422 份多导睡眠图、限制为十二个重叠通道的队列——先用相同的自监督目标微调 NCH 预训练权重，再做同样的线性探测。
由于类别不平衡，作者强调 F1 和 AUPRC，而非准确率和 AUROC。这一点对理解下文每个数字都很关键：当阳性类别稀少时，高 AUROC 可以与低 AUPRC 并存，因此 AUPRC 是这里更能说明事件检测性能的指标。
NCH 上增益集中在三个框架中的两个
在 NCH 上，SleepFM 和 PedSleepMAE 都在五项任务中的四项上通过 GTC 提升了 F1。单项最大增益来自 PedSleepMAE 的睡眠分期：编码器条件化使 F1 和 AUPRC 同时提高 2.3 个百分点。PedSleepMAE 在呼吸暂停、血氧去饱和和低通气上也有改善，而 EEG 觉醒仍以无条件模型最好。
SleepFM 的变化更小且方向不一：最佳 GTC 变体在睡眠分期上 F1 提高 0.4 点、AUPRC 提高 0.7 点，呼吸暂停上分别提高 0.9 和 0.3 点，EEG 觉醒上提高 0.2 和 0.5 点，低通气上提高 1.0 和 0.7 点，但在血氧去饱和上 F1 下降 0.5 点、AUPRC 下降 0.7 点。SynthSleepNet 的变化最小，在呼吸暂停、血氧去饱和和低通气上 F1 有提升，其余任务基本持平。
作者把 SynthSleepNet 增益较小归因于它结合了对比学习和掩码预测目标，并使用了预训练的单模态编码器；他们认为这些因素已经产生更丰富的表征，留给 GTC 的提升空间更小。这是作者的解释，而非实测的分解；证据包没有区分其中哪个因素起了作用。
跨队列迁移放大了 PedSleepMAE 的增益
CHAT 的结果让论文的论证更有力。在 CHAT 上微调后，SleepFM 在全部五项任务上提升了 F1，最明显的是睡眠分期提高 1.8 点、EEG 觉醒提高 3.9 点，这两项任务的 AUPRC 分别提高 2.5 和 5.6 点。PedSleepMAE 在四项任务上提升了 F1，其中睡眠分期接近 15 点、血氧去饱和约 10 点，血氧去饱和的 AUPRC 提高 19.7 点。
PedSleepMAE 在 CHAT 上的增益明显大于 NCH，作者据此认为，预训练中学到的全局时间结构在适配新队列时尤其有用。这一解读合理，但仍属作者解释；实验展示的是迁移增益，而非其成因。SynthSleepNet 依然变化最小，在五项任务中的三项上提升了 F1。
有一个细节限制了 CHAT 数字与 NCH 数字的可比性：CHAT 的阳性率不同（睡眠分期 2.4%、呼吸暂停 8.0%、EEG 觉醒 17.0%、血氧去饱和 3.9%），而且 CHAT 模型经过微调而非冻结。两张表回答的是相关但不完全相同的问题。
GTC 插在哪里不如是否插入重要
论文测试了多种插入位置：SleepFM 中放在时间位置编码之后、时间 Transformer 之前；PedSleepMAE 中放在 patch 嵌入和位置编码之后，并可选地也放入解码器；SynthSleepNet 中放在单模态表征或解码器阶段。对 SleepFM，对比预训练时每个小批量只随机选择一个模态接收 GTC，以防全局时间成为捷径；评估时则条件化任务相关模态或全部三个模态。
没有一种配置在所有任务上胜出，作者也指出最优位置取决于任务和架构。更有用的观察关于排名：当某个 GTC 变体表现最好时，第二名往往来自另一个 GTC 配置，而不是无条件基线。这一模式提示，收益与是否拥有会话级上下文有关，而不取决于某个精确的插入点。
这是对表格的定性解读，而非正式检验，因此应视为报告结果中的一种模式，而不是已被证明的不变性。
证据覆盖儿科 PSG，而非整个睡眠自监督领域
所有预训练都使用 NCH，两个评估队列也都是儿科。CHAT 队列由轻中度阻塞性睡眠呼吸暂停儿童组成，分析仅限干预前采集的基线子集。证据包没有显示 GTC 是否对成人队列、其他记录设置或通道集不同的数据集有帮助；CHAT 本身也必须裁剪到十二个通道才能与 NCH 匹配。
评估也仅限于在五项任务上对冻结或微调后的表征做线性探测，并用类别加权损失应对不平衡。论文没有报告消融实验来分离归一化方案、MLP 或门控各自贡献了多少增益，作者也把这项工作描述为睡眠自监督学习中全局时间条件化的首个研究。他们提出的未来工作包括把 GTC 扩展到监督设置，以及测试其他会话级时间信号。
骨干是掩码自编码器时优先考虑 GTC
这篇论文中与决策相关的区分是按框架，而不是按任务。如果预训练骨干是 PedSleepMAE 这样的掩码自编码器，GTC 是收益最明确的改动：NCH 睡眠分期上 F1 和 AUPRC 各提高 2.3 点，CHAT 睡眠分期上 F1 提高约 15 点，CHAT 血氧去饱和上 AUPRC 提高 19.7 点。如果骨干已经像 SynthSleepNet 那样在预训练单模态编码器上结合对比与掩码目标，则应预期变化小且不一致。
SleepFM 介于两者之间：NCH 上增益有限，但在 CHAT 全部五项任务上 F1 一致提升。论文自身的表述支持把会话级时间视为广泛有用的归纳偏置，而非普遍升级；其最站得住脚的结论是增益在跨队列迁移下依然存在。因此实际判断的分界不是任务类型，而是现有表征的丰富程度：骨干本身编码得越少，GTC 看起来补充得越多。
本文引用的文献
Global Time-Aware Conditioning (GTC): A Mechanism for Time-Aware Pediatric Sleep Representation Learning
GTC 以每个 30 秒窗口在整段睡眠会话中的归一化位置来条件化潜在表征，在两个人儿科队列、三个自监督框架和五项任务上总体提升了 F1 和 AUPRC；PedSleepMAE 的增益最大，且增益在从 NCH 到 CHAT 的跨队列迁移下依然存在。