通过开放世界状态空间模型学习发现异常时空轨迹

基于摘要分析。本文研究位置感知系统中的开放世界异常驾驶轨迹发现：不仅识别已知行为，还要发现并区分多个未知异常模式。作者将任务形式化为 Anomalous Trajectory Discovery in an Open-world scenario（ATDO），提出 Open-world State Space Learning（OSSL）框架；主要研究对象是时空轨迹，而非 EEG 或 BCI。 机制上，作者设计 Spatial–temporal State Space（S3）模块，利用状态空间模型探索长轨迹中的长期依赖；另以两个适配器与三个开放世界目标交互，实现已知行为识别及多个未知模式发现。摘要未披露适配器结构、目标函数形式、监督信息及未知模式的形成与更新方式，这些实现细节尚未验证。其明确区别于仅对未知异常作拒识或提示存在的方案，目标还包括细粒度发现多个未知行为模式。 作者报告，在两个大型轨迹数据集、两项渐进式开放世界任务的设置下，OSSL 对已知及未知异常模式均优于对照方案。摘要未提供数据集名称、划分、对照基线、指标或具体数值，不能据此量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具备已知类别监督及逐步出现的未知状态，长序列依赖建模与多未知模式发现可能对应开放集识别需求。S3 的时序建模思路和开放世界适配机制可作为候选模块，但轨迹的空间结构需改造为 EEG 通道关系，监督要求和数据规模是否适配也需核对。低信噪比、被试差异、通道变化及小样本可能使模型将伪迹或个体差异误判为新模式。一个可检验的小实验是在固定 EEG 数据划分中逐步引入留出的类别，分别评估已知类识别、未知检测和未知类别区分，并与仅拒识未知样本的基线比较；该实验是迁移假设，不是本文结果。已有 EEG 相关工作尚未检索确认。复现前需取得全文，核对开放世界任务构造、标签可用范围与实现条件。