DRL：用于表格异常检测的分解表征学习

基于摘要分析。本文研究表格异常检测（TAD），针对表格数据缺少明确语义先验、重构式方法难以区分纠缠的正常与异常表征的问题，提出 Decomposed Representation Learning（DRL），通过受约束的潜在空间捕获正常样本的共享模式并区分异常模式。 核心机制是约束每个正常样本的潜在表征，使其可分解为随机生成的正交基向量的加权线性组合；这些基向量不依赖数据，也无需训练。作者进一步引入增强正常与异常模式差异的约束，并称提供了理论分析。摘要未给出具体损失形式、正常样本的确定方式、训练时是否需要异常标签，以及最终异常分数的计算方式，相关监督条件与实现细节尚未验证。 作者报告，在40个表格数据集、与16种表格异常检测算法的对照实验中，DRL 达到最先进性能。摘要未列出数据集名称、评价指标、具体分数及数据划分，因此尚不能判断提升幅度、跨数据集稳定性或其适用的异常污染比例；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可探索的 EEG 对应场景是对样本级特征表进行异常检测，而非直接替代时序解码模型。可复用的部分是潜在表征的正交基分解约束，需改造输入特征与正常样本定义，并明确监督条件。低信噪比、通道差异和跨被试分布变化可能使正常生理差异被误判为异常，小数据也可能不足以学习稳定的组合权重。一个可检验的小实验是在具有独立伪迹标注的 EEG 特征表上，固定特征与编码器，比较加入和移除该约束的异常检测效果，并分别核对被试内与跨被试协议。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。