ACMamba：通过非对称共识状态空间模型实现快速无监督异常检测

基于摘要分析。本文研究高光谱图像（HSI）的无监督异常检测，即从背景中识别未知目标；针对高维数据与密集采样训练带来的计算开销，提出非对称共识状态空间模型 ACMamba，以区域级实例替代密集像素级训练样本，并结合 Mamba 全局上下文建模与共识学习改善背景重建和异常抑制。 核心机制是利用同质区域内样本的冗余减少训练成本。作者设计非对称异常检测范式，通过低成本的 Mamba 模块提取区域全局上下文属性，服务于 HSI 重建；共识学习则从优化角度同时促进背景重建与异常压缩，减轻异常被重建带来的负面影响。摘要未给出区域构建方式、训练与推理之间的具体非对称关系、损失函数或异常评分定义，这些细节尚未验证。 作者报告，理论分析及八个基准上的实验支持 ACMamba 相较现有先进方法具有更快速度和更强检测表现。摘要未提供基准名称、数据划分、对照方法、检测指标、耗时数值及硬件条件，因此无法量化优势或核对效率与精度的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其迁移假设是，若 EEG 无监督异常检测中的背景时间片段存在可识别的冗余，代表性片段采样与背景重建约束可能降低训练成本。可复用的是冗余采样和共识优化思路；HSI 的空间同质区域必须改造成适合 EEG 时间与通道结构的片段定义，异常评分也需重新验证。低信噪比、跨被试差异、通道变化及小数据可能破坏背景一致性，稀疏采样还可能遗漏短暂异常。一个可检验的小实验是在固定 EEG 数据划分、重建模型与计算环境下，对比密集窗口和代表性窗口训练，再加入共识约束，分别检验检测指标与训练耗时。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。