PairAudit：分布偏移下利用图 token 引导人工审查

基于摘要分析。该研究面向入侵检测中的分布偏移：检测器可能对训练时未见的攻击作出高置信误判，而有限的人工审查预算难以覆盖所有错误。PairAudit 利用图 token 表征相连节点之间的预测模式，识别现有预测中可能被忽略的错误，再借助人工反馈判断是否应调整审查优先级。 其核心不是通过特征聚合构建另一个预测器，而是将异常关系模式作为审查线索。相较于仅依赖预测不确定性的审查，这一路径旨在发现高置信错误；相较于仅使用异常分数，它还关注改变审查安排是否能纠正更多错误。摘要未说明图的构建方式、token 编码、人工反馈流程及优先级更新规则，这些机制细节尚未验证。 作者报告，在多项安全任务、固定审查预算并计入全部审查成本的评估前提下，PairAudit 平均纠正的错误多于基于不确定性的审查，其中也包括更多未见攻击上的错误，且不需要重新训练检测器。摘要未提供任务名称、数据划分、预算规模或具体指标数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本之间存在可独立定义的可靠关系，关系模式审查可能帮助定位分布偏移下的高置信误判。可复用的是对既有预测进行关系审计和预算分配的思路；需改造的是 EEG 样本建图、审查单位及标签反馈流程。该假设依赖可靠的关系结构与可获得的人工标签，低信噪比、跨被试差异、通道变化和小数据可能使异常关系主要反映采集差异，而非分类错误。一个可检验的小实验是在固定 Cross-subject 划分与冻结分类器下，仅用允许访问的数据构图，以相同人工标签预算比较关系审查与不确定性审查的纠错数量，并计入反馈消耗。已有 EEG 相关工作尚未检索确认。