通过去噪感知对比距离学习实现半监督异常检测

基于摘要分析。本文研究通用半监督异常检测：如何利用有限标注数据与大量可能混有异常的未标注数据，同时学习更有判别力的表示和距离度量。作者提出 CAD，将对比距离学习、两阶段异常去噪与扩充策略，以及参数化双线性张量距离层相结合；研究对象并非 EEG 或 BCI。 机制上，CAD 的对比训练目标围绕异常样本与未标注样本之间的平均距离构造，以促进判别性表示学习；摘要未给出具体损失公式。两阶段策略从未标注集中识别高置信度样本，用于精炼数据并减轻潜在异常污染的影响，其阈值、筛选规则及扩充流程尚未验证。双线性张量距离层旨在学习定制距离，捕捉不同数据维度之间的复杂关系，而非仅依赖欧氏距离。 作者报告，在 10 个真实世界数据集上的实验中，CAD 显著优于现有半监督异常检测模型。摘要未列出数据集名称、指标、提升幅度、标注预算及未标注集异常比例，因此尚不能判断收益在何种协议下成立；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核对。 平台推测（待验证）：若用于 EEG 异常片段识别，其机制可能对应“少量异常标注、未标注池含异常”的数据条件，而非直接解决运动想象等任务分类。可复用部分是对比目标、置信样本筛选和可学习距离；需改造 EEG 时序输入表示及异常定义。该假设依赖高置信度筛选在低信噪比、通道差异和被试差异下仍可靠，否则可能把伪迹或被试特征固化为判别线索，小数据还可能使距离层过拟合。一个可证伪的小实验是在固定被试划分、标注预算与测试集的条件下，改变未标注训练集的异常污染比例，对照完整 CAD、移除去噪策略及改用欧氏距离的版本，检验性能与筛选可靠性。相关 EEG 工作尚未检索确认。