VADMamba：探索用于快速视频异常检测的状态空间模型

基于摘要分析。该研究针对视频异常检测（VAD）中检测准确性与推理速度的权衡，提出 VADMamba，将 Mamba 状态空间模型用于帧预测与光流重建，并通过片段级融合进行异常评估。原论文研究对象是视频异常检测，而非 EEG 或 BCI。 核心方法是 VQ-Mamba Unet（VQ-MaU），包含 Vector Quantization（VQ，向量量化）层和基于 Mamba 的 Non-negative Visual State Space（NVSS）模块。两个独立的 VQ-MaU 网络分别预测视频帧和重建对应光流，随后采用 clip-level fusion evaluation strategy 融合评估。摘要将 Mamba 的选择性扫描与长程建模能力作为效率动机，但未给出 NVSS 的具体计算、量化目标、训练损失或融合公式，其机制细节尚未验证。 作者报告，该方法在三个基准数据集上表现有效，且推理速度优于此前工作；摘要未提供数据集名称、数据划分、检测指标、具体速度、比较基线或硬件条件，因此不能量化提升，也不能确定速度收益是否包含光流计算与双网络开销。实验协议、消融及统计信息尚未验证。摘要提供了代码链接，但代码内容、运行依赖与结果可复现性尚未核验。 平台推测（待验证）：可迁移的机制假设是利用状态空间模型建模长时间序列，并借助预测或重建目标刻画偏离常态的变化，对应 EEG 长时程建模的计算开销问题；这不意味着视觉异常检测效果能直接迁移至 EEG。可考虑复用时序建模模块及预测／重建思路，但视觉 NVSS、输入表示和光流分支需要改造。低信噪比、伪迹、跨被试分布差异、通道配置变化与小数据可能使预测误差主要反映非目标变化。一个可检验的小实验是在固定 EEG 数据划分与相同预测任务下，对照 Mamba 与 CNN 时序模块，分别核对预测误差、下游表现和同硬件推理延迟；不能据视频结果预设其优势。已有 EEG 相关工作尚未检索确认。