MambaAD：探索用于多类别无监督异常检测的状态空间模型

基于摘要分析。本文研究多类别无监督异常检测，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，联合建模特征中的长程依赖与局部信息。原研究对象是特征图上的异常检测，而非 EEG 或 BCI。 方法机制：摘要将 CNN 的长程依赖建模限制与 transformer 的二次计算复杂度作为动机，利用 Mamba 的长程建模与线性效率。LSS 模块结合并行级联的 Hybrid State Space（HSS）块和多卷积核操作；HSS 使用 Hybrid Scanning（HS）编码器，将特征图按五种扫描方式、八个方向编码，再通过 State Space Model（SSM）增强全局联系。作者报告，Hilbert 扫描与八方向设计能够改善特征序列建模。具体编码器、损失函数、训练监督形式及异常分数计算方式尚未验证，不能仅由“无监督”推定其训练样本构成。 结果与复现：作者报告，在六个异常检测数据集、七项指标上取得领先性能，但摘要未给出数据集名称、指标定义、分数、划分及对照基线，因此无法判断提升幅度或跨协议比较。作者提供了代码与模型入口；实验协议、消融、统计信息及实际复现条件尚未验证。 平台推测（待验证）：假设 EEG 异常检测需要同时捕获局部波形变化和长时间依赖，LSS 的局部卷积与 SSM 组合可能具有方法参考价值；但其多方向扫描依赖特征图结构，不能直接等同于 EEG 时间序列建模。可复用候选是局部特征与长程状态建模的组合，需改造输入编码、通道组织及扫描顺序，并核对预训练数据与目标信号的匹配程度。低信噪比、跨被试差异、通道变化和小数据均可能削弱效果。一个可检验的小实验是在固定被试独立划分、训练数据和异常评分协议下，比较单向时间扫描与适配后的多方向扫描，检查检测收益及计算开销；该方案不是已证实的 BCI 结果，已有 EEG 相关工作尚未检索确认。