REB：减少工业异常检测中的表征偏差

基于摘要分析。该研究面向工业异常检测，针对预训练表征与目标领域之间的域偏差，以及 KNN 异常评分受特征空间局部密度差异影响的问题，提出 Reducing Biases（REB），分别通过自监督域适应与局部密度校正改善检测。 机制上，REB 利用缺陷生成策略 DefectMaker 构建自监督学习任务，以多样化合成缺陷促进预训练模型适应目标领域；随后采用 local-density KNN（LDKNN）降低特征空间中的局部密度偏差。其关键思路是在表征适应与距离度量两个环节分别处理偏差，而非仅直接使用预训练特征进行近邻检索。具体损失、合成缺陷规则及密度校正公式尚未验证。 作者报告，REB 在 MVTec AD 上取得 99.5% Im.AUROC，并使用 Vgg11、Resnet18 等较小骨干网络；在 MVTec LOCO AD 上取得 88.8% Im.AUROC，在 BTAD 上报告 96.0%，但摘要未为 BTAD 单独明确指标名称。作者称其优于其他基于表征的方法；各结果对应的骨干配置、数据划分、对照基线、消融、统计信息及效率测量尚未验证，不能据此比较不同协议下的性能。摘要提供了代码仓库，但实现与复现条件尚未核查。 平台推测（待验证）：若将其用于 EEG 异常检测，可考察“预训练域偏差＋局部密度偏差”的双重处理思路，但这是假设，不是已证实的 BCI 效果。原方法依赖工业缺陷合成与近邻特征空间；迁移时需重新定义符合 EEG 时序及通道结构的合成扰动，并核查其监督需求。低信噪比、跨被试差异、通道变化和小样本可能使合成扰动偏离真实异常，或使密度估计不稳定。一个可证伪的小实验是在固定被试划分与骨干下，对比普通 KNN、仅域适应、仅 LDKNN 及两者结合，检验收益是否稳定。已有 EEG 相关工作尚未检索确认。