通过表征学习重新审视公平异常检测

基于摘要分析。本文研究无监督异常检测中的群体公平性问题，重点关注敏感群体严重失衡时，公平性约束如何影响表征与异常判别。作者提出 FADIG，将自适应再平衡自编码器与公平性感知对比学习目标结合，旨在促进群体公平性的同时保留表征表达能力。 核心机制：作者认为，既有方法中的性能—公平性权衡并非无监督异常检测所固有，而可能源自公平性约束引起的表征失真。摘要指出两类失效模式：群体失衡时受保护群体的影响逐渐衰减，以及过强公平性正则化导致的维度坍缩。作者报告，其理论分析说明常用公平性约束可能压制少数群体信号并压缩嵌入，从而损害异常区分能力；FADIG 的设计针对这两类问题，但具体重加权规则、对比样本构造、损失形式及理论成立条件尚未验证。 证据边界：作者报告 FADIG 在严重群体失衡下能够实现准确且公平的异常检测，但摘要未提供数据集、群体定义、失衡比例、划分协议、比较基线或量化指标。材料末句存在文本断裂，理论保证的完整结论不能据此确认。公平性指标、敏感属性在训练与推理中的使用方式，以及实验协议、消融及统计信息均尚未验证。 平台推测（待验证）：若 EEG 异常检测任务具有可用且定义合理的群体属性，同时存在群体失衡，该表征机制可能具有参考价值，但原领域结果不等于 BCI 有效。可复用部分是再平衡与防止表征坍缩的思路；需改造 EEG 编码器及对比增强，并核对其是否保留异常相关信息。低信噪比、跨被试差异、通道变化和小样本可能使再平衡放大噪声，或使公平性约束抑制真实异常信号。一个可证伪的小实验是在固定 EEG 编码器、按被试隔离的相同划分下，对照基础方法与加入上述机制后的版本，联合检查总体及分组异常检测表现和表征有效维度。相关 EEG 工作尚未检索确认。