Forte：通过表征典型性估计发现离群样本

基于摘要分析。本文研究图像分布外（OOD）检测与逼真合成数据检测，提出 Forte，利用自监督学习得到的表征及基于流形估计的信息性摘要统计估计典型集，尝试克服生成模型似然在 OOD 检测中的局限。 作者讨论了似然估计误差、生成过程中的熵及典型性等问题，并提出假设：过度关注像素而非语义内容，可能使生成式 OOD 检测器在像素相近、信息内容却不同的 near-OOD 情形下失效。Forte 的核心思路是转向表征空间，通过流形相关统计刻画样本是否符合参考分布的典型结构；摘要未说明具体表征模型、统计量定义、检测器拟合方式及阈值设定。 作者报告，该方法在既有挑战性基准和新的合成数据检测任务上优于其他无监督方法，并达到最先进水平。摘要未提供基准名称、数据划分、对照方法或具体指标，因此无法核对优势幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 自监督表征能保留任务相关结构，表征典型性估计或可用于检测偏离参考分布的 EEG 片段。但原研究对象是图像，摘要也未明确参考数据规模与监督使用边界。可考虑复用典型性统计思路，表征编码器、归一化及参考分布构建则需针对 EEG 改造。低信噪比、被试差异和通道配置变化可能主导表征距离，小数据也可能使流形估计不稳定。一个可证伪的小实验是固定同一 EEG 编码器与训练参考集，在明确隔离的跨会话测试中，对比典型性统计与简单距离检测，并分别检查伪迹和真实任务变化的检测表现。已有 EEG 相关工作尚未检索确认。