从污染数据中学习判别能力：用于无监督异常检测的多实例学习

基于摘要分析。本文研究无标签训练集混入异常样本时的无监督异常检测，提出多任务表征学习框架，尝试利用这些异常样本提供的信息改善正常与异常样本的区分，而非仅将其视为训练干扰。研究对象是图像数据上的异常检测，并非 EEG 或 BCI。 机制上，框架通过伪正常度评分生成与多实例对比学习进行异常判别学习，并结合 mean-shifted contrastive learning 和 distribution-shifting transformation classification，以提高训练稳定性和鲁棒性。摘要未展开伪评分如何生成、多实例集合如何构建、任务损失如何组合，以及异常检测推理流程，这些实现细节尚未验证。 作者报告，该方法在 CIFAR-10、ImageNet-10、MNIST 和 F-MNIST 上达到当时最先进性能，并报告消融研究支持各组件的有效性；但摘要未提供具体指标、污染比例、数据划分或对照方法，因此无法核对效果幅度及比较条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 训练片段中混有少量伪迹或偏离目标分布的片段，这种从污染数据学习判别表征的机制可能有借鉴价值，但须先明确“异常”指伪迹还是有意义的神经事件，不能将两者混同。伪评分与多实例对比学习可作为候选模块，图像变换分类则需改为符合 EEG 生理与时序约束的任务。低信噪比、跨被试差异、通道变化及小数据可能使伪评分把有效神经活动误判为异常，并放大训练偏差。可在固定被试内划分下，仅向训练集注入已知比例的伪迹，保留独立标注测试集，比较加入和移除异常判别模块后的检测表现及误报情况。相关 EEG 工作尚未检索确认。