面向无监督多类别异常检测的统一参考表征学习

基于摘要分析。本文研究视觉多类别异常检测中重建模型的捷径学习问题，提出 RLR（Reconstruct features from a Learnable Reference representation），利用可学习参考表征重建特征，引导模型显式学习正常模式，而不是依赖恒等映射或人工噪声消除等捷径。 核心机制是改变特征重建所依赖的参考：作者认为，既有重建方法可能无法将真实异常重建为正常实例，因而削弱异常检测能力；RLR 通过可学习参考表征约束重建，并引入局部性约束以捕获正常模式，结合 masked learnable key attention 机制增强鲁棒性。具体参考表征的组织方式、局部性约束与掩码的实现、损失函数及训练流程尚未验证。 作者报告，在包含 15 个类别的 MVTec-AD 和 12 个类别的 VisA 上，RLR 在统一设置下优于所比较的先进方法。摘要未提供具体指标、分数、数据划分或基线配置，不能据此量化增益；实验协议、消融及统计信息尚未验证。摘要称代码已提供，但当前材料未给出可核对的仓库地址。 平台推测（待验证）：若 EEG 异常检测同样依赖正常样本的特征重建，可学习参考表征可能用于限制模型直接复制输入。该假设依赖可界定的正常训练数据，以及能够保留异常差异的 EEG 特征；参考表征与重建约束可作为复用候选，但局部性和注意力掩码需适配时间、通道或时频结构。低信噪比、跨被试差异、通道变化及小数据可能使参考表征学习到伪迹或个体特征，或将正常变异误判为异常。可在固定被试内划分、仅使用正常训练样本的条件下，对比相同特征提取器下的普通重建与参考表征重建，并逐项检验局部性约束和掩码机制的作用。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。