STAR：通过状态感知适配器增强时间序列基础模型的异常检测能力

基于摘要分析。该研究面向工业多变量时间序列异常检测（MTSAD），针对时间序列基础模型（TSFMs）将阀门开关、星期等离散状态变量与温度、流量等数值变量统一处理的问题，提出在微调阶段使用的即插即用状态感知适配器 STAR，以显式建模状态语义及其条件作用。 STAR 包含三个组件：Identity-guided State Encoder 通过可学习的 State Memory 表征状态变量的类别语义；Conditional Bottleneck Adapter 根据当前状态动态生成低秩适配参数，将状态影响注入骨干模型；Numeral-State Matching 模块用于更有效地检测状态变量自身的异常。其方法重点是区分数值观测与离散状态的角色，而非简单将两者拼接为同类输入。摘要未说明具体损失函数、参数生成方式、骨干模型或训练规模。 作者报告，在真实世界数据集上的实验表明，STAR 能提升现有 TSFMs 的 MTSAD 性能；但摘要未给出数据集名称、划分、对照基线、指标或增益数值，无法判断效果大小与适用边界。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：若 EEG 异常检测任务具有部署时可获得、且与检测标签不同的离散状态信息，可检验以状态条件化适配替代直接拼接输入的假设。可复用候选是状态编码与条件低秩适配模块，数值—状态匹配则需按 EEG 异常定义重新设计。该路径依赖可靠状态记录及足够的状态覆盖；EEG 低信噪比、跨被试差异、通道变化和小数据可能使模型记忆状态身份而非异常规律。一个小规模检验是在固定骨干与被试隔离划分下，比较不输入状态、直接拼接状态及 STAR 式条件适配，并用打乱状态的对照检验收益是否依赖真实状态关系。已有 EEG 相关工作尚未检索确认，工业任务中的有效性不构成 BCI 有效性的证据。