基于局部自适应似然比的预训练表示空间无监督新颖性检测

基于摘要分析。本文研究仅有无标签正常样本时的新颖性检测，尤其关注正常类别与新颖类别语义接近的情况，提出在预训练表示空间中结合 k-NN、局部自适应维度缩放与似然比的新颖性检测方法。主要研究对象是图像数据，并非 EEG 或 BCI。 核心机制：作者指出，直接使用 k-NN 距离可能忽略表示分布的局部几何，并受到无关背景特征影响。所提方法利用“最近邻的邻居”调整各表示维度的局部尺度，再计算似然比，以保留 k-NN 的灵活性并修正上述问题。摘要未给出缩放规则、似然比的具体形式或邻域参数选择，相关实现条件尚未验证。 结果与证据边界：作者报告，在图像实验中，以现成的 vision transformer（如经 DINO 预训练的模型）作为特征提取器、且不进行微调时，该方法表现出优势。摘要未提供具体数据集、划分、指标、数值及完整对照设置；实验协议、消融及统计信息尚未验证，不能据此判断增益幅度或跨任务稳定性。 平台推测（待验证）：若 EEG 预训练表示中的正常样本也具有局部尺度不均、且存在与目标异常无关的背景变化，该评分机制或可用于 EEG 新颖性检测。可复用部分是固定表示上的邻域检索、局部缩放和似然比评分；需改造的是适合 EEG 的特征提取、正常参考集及被试与通道差异处理。低信噪比、小样本或跨被试偏移可能使局部邻域不稳定，也可能将有效异常线索误当作背景。一个可证伪的小实验是在固定 EEG 编码器与相同正常参考集下，对比普通 k-NN 和该评分方法，采用预先固定的被试或会话隔离划分，检验局部修正是否带来稳定增益。相关 EEG 工作尚未检索确认。