面向多任务轨迹异常检测的整体表征学习

基于摘要分析。本文研究视频中的骨架轨迹异常检测，提出整体轨迹表征学习方法，通过重建不同时间位置的连续未观测片段，学习跨时间片段的预期运动模式；研究对象是骨架运动轨迹，而非 EEG 或 BCI。 核心机制是端到端、基于注意力的编码器—解码器：输入经过时间遮挡的轨迹，联合学习被遮挡片段的潜在表征，并根据不同时间片段之间的运动关系重建轨迹。多任务设置同时涵盖过去片段外推、未来片段外推和中间片段插值，其方法重点在于统一利用不同时间上下文，而非仅预测后续运动。具体损失、遮挡采样方式及异常分数构造尚未验证。 作者报告，在三个基于轨迹的视频异常检测数据集上，该方法取得了作者所称的最先进结果。摘要未提供数据集名称、划分、指标数值及对照细节，实验协议、消融及统计信息尚未验证，因此无法据此判断收益幅度或各任务的独立贡献。 平台推测（待验证）：可迁移假设是，连续时间遮挡与插值、外推联合学习可能为 EEG 自监督时序表征提供训练任务，但骨架轨迹中的运动结构并不等同于 EEG 的通道关系与非平稳动态。可复用的是时间遮挡及多任务重建思路，需改造输入表征、通道处理和重建目标；低信噪比可能使模型优先拟合背景活动，被试差异、通道变化及小数据也可能削弱泛化。一个可检验的小实验是在固定 EEG 数据划分与编码器容量下，对照仅中间片段重建和联合插值、外推预训练，并在相同标注预算下评估跨被试下游任务表现。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。