面向不平衡异常声音检测的自适应跨子中心表征学习

基于摘要分析。该研究针对异常声音检测仅利用正常声音构建分布、但不同正常条件下样本数量不平衡的问题，提出 Adaptive Across-Subcenter Representation Learning（AASRL），通过自适应选择相关子中心改善正常子类的表征。 原问题是正常声音内部具有多样性，而部分子类样本不足。已有子中心角度间隔损失方法使用多个子中心刻画类内差异，但仍可能出现表征不足或过拟合。AASRL 区别于使用单个或全部子中心的方式，依据样本的表征质量选择子中心，并跨最相关的子中心优化表征；作者认为这能提高各样本的表征效率，避免多数子类主导表征空间。摘要未说明表征质量的计算方式、子中心选择规则及具体损失形式。 作者报告，在 DCASE2023 Challenge Task2 数据集及一个构造的不平衡数据集上，实验支持 AASRL 的有效性；摘要未提供具体指标、数值、划分与对照配置，因此尚不能判断收益幅度及适用的不平衡程度。实验协议、消融及统计信息尚未验证，构造数据集的来源与不平衡设置也需核对全文。 平台推测（待验证）：若 EEG 正常状态或同类任务中存在可辨识的多模态子群，并且能够学习稳定的子中心，该机制可能有助于缓解多数条件主导表征的问题；这是假设，并非本文已验证的 BCI 效果。可复用部分是子中心选择与跨子中心优化思路，需改造信号编码器和表征质量判据。低信噪比、小样本及被试或通道差异可能使子中心反映噪声而非有效状态。一个可检验的小实验是在固定 EEG 数据划分和编码器下，仅改变训练集正常条件的样本比例，对比单子中心、全部子中心与自适应选择方案，检验稀少条件下的检测表现是否改善。已有 EEG 相关工作尚未检索确认。