시계열 (Time series) 데이터는 산업용 원격 측정 및 서버 메트릭부터 금융 및 생리학에 이르기까지 현대 데이터 마이닝 애플리케이션의 핵심이지만, 시계열 자기지도 학습 (Self-supervised learning, SSL)은 종종 도메인 특화된 불변성 (Invariances)을 인코딩하는 뷰 (View) 및 증강 (Augmentation) 선택에 의존합니다. 본 연구에서는 사전 학습 신호 계열이 변경된 후에도 방법론 특화 구성 (Method-specific configuration)을 변경 없이 재사용할 때 SSL 레시피가 어떻게 작동하는지 연구하며, 이를 최적화된 방법론과의 비교보다는 고정된 레시피 스트레스 테스트 (Fixed-recipe stress test)로 프레임화합니다. 우리는 인과적 백본 (Causal backbone)을 갖춘 증강 없는 차세대 잠재 토큰 예측 목적 함수인 LeNEPA (Latent Euclidean Next-Embedding Prediction Architecture)를 소개합니다. LeNEPA는 기존 NEPA에서 사용되는 stop-gradient/EMA 안정화 기법을 SIGReg 기반의 등방성 정규화 (Isotropy regularization)로 대체하며, 평가 시에는 폐기되는 경량화된 투영 공간 (Projected space)에서 예측 손실 (Predictive loss)을 계산합니다. 우리는 PTB-XL 및 Aionoscope로 생성된 합성 진단 코퍼스인 Diag에서 고정된 지평선 동결 프로브 (Fixed-horizon frozen-probe) 프로토콜 하에 ECG에 튜닝된 JEPA 레시피와 LeNEPA를 비교합니다. 두 방법 모두 방법론 특화 레시피를 변경하지 않은 채 각 데이터셋에서 독립적으로 재학습됩니다. 이 프로토콜에서 ECG에 튜닝된 JEPA 레시피는 PTB-XL의 도메인 내 (In-domain) 성능은 강력하지만, 변경 없이 Diag에 재사용될 때는 더 약한 모습을 보이는 반면, LeNEPA는 두 데이터셋 모두에서 유용한 동결 프로브 이득을 유지합니다. 학습 곡선은 더 빠른 초기 표현 습득을 시사합니다. LeNEPA는 최종 AUROC/AUPRC 이득의 80%에 도달하는 데 25k 업데이트가 소요된 반면, 더 빠른 JEPA 판독 (Readout)은 510k 업데이트가 소요되었습니다. 별도의 외부 동결 인코더 (Frozen-encoder) 확인 결과, CauKer로 사전 학습된 LeNEPA 변형 모델은 단일 시드, 최적 체크포인트 실행에서 Mantis와 1.16포인트 차이, MOMENT (77.89%)와 0.24포인트 차이 내의 77.65% 평균 UCR-128 Random-Forest 정확도에 도달했습니다. 전반적으로, 이러한 결과는 증강 없는 잠재 예측 (No-augmentation latent prediction)이 재튜닝이 적은 시계열 SSL을 위한 유용한 후보 레시피임을 뒷받침합니다.