MambaAD：探索状态空间模型用于多类别无监督异常检测

基于摘要分析。本文研究多类别无监督图像异常检测，提出 MambaAD，以预训练编码器和包含多尺度 Locality-Enhanced State Space（LSS）模块的 Mamba 解码器，联合建模局部信息与长程依赖。作者将该方法定位为对 CNN 长程建模限制及 transformer 二次计算复杂度的回应；摘要未提供端到端计算开销的实测结果。 机制上，LSS 模块结合并行级联的 Hybrid State Space（HSS）块与多卷积核操作。HSS 块利用 Hybrid Scanning（HS）编码器，以五种扫描方式、八个方向将特征图编码为序列，再通过 State Space Model（SSM）加强全局联系。作者报告，Hilbert 扫描与八方向扫描能够改善特征序列建模。具体扫描组合、预训练编码器、训练目标、异常评分及推理流程尚未验证。 作者报告，在六个异常检测数据集、七项指标上取得最先进性能，但摘要未列出数据集名称、指标定义、分数、划分及对照基线，因而无法核对优势幅度与协议可比性。实验协议、消融及统计信息尚未验证。摘要称代码与模型已公开，其可运行性、依赖与复现配置尚未核验。 平台推测（待验证）：若用于 EEG 异常片段检测，可检验的假设是局部卷积与状态空间建模能分别提取短时波形和较长时间依赖；但原方法依赖二维特征图及空间扫描，不能直接视为 EEG/BCI 方法。可考虑复用 LSS 的局部—全局组合，需重新设计通道—时间或时频表示与扫描路径，并核对无监督训练所需的数据组成。低信噪比、跨被试差异、通道排列及小数据可能使扫描顺序引入不合适的邻接关系。一个小规模可证伪实验是在固定被试划分、预处理与异常标签的 EEG 任务上，比较仅局部卷积、单向 SSM 与加入多方向扫描的模型，并分别报告被试内和跨被试结果。已有 EEG 相关工作尚未检索确认。