正常性约束学习：将基础模型适配于时间序列异常检测

基于摘要分析。研究针对时间序列基础模型（TSFMs）可能同时准确重建或预测正常与异常模式、导致误差型异常评分失去区分能力的问题，提出轻量、即插即用的 Normality Constraint Learning（NCL）。其核心贡献是在不修改预训练参数的条件下，将模型的广泛模式建模能力约束到目标时间序列的正常结构。 机制上，NCL 从少量正常 patch 特征构建紧凑的正常性子空间，通过对比约束形成紧凑且具有区分性的正常性流形，并在该子空间内自适应地引导各 patch 特征向正常结构靠拢。校准后的特征经聚合以强化正常成分，再与原始 TSFM 输出融合，以扩大正常与异常观测在重建或预测误差上的差异。摘要未提供子空间构建算法、对比损失形式、融合方式及额外训练成本，这些实现细节尚未验证。 作者报告，在多类 TSFM 与多个基准上的实验中，NCL 持续改善异常检测性能；但摘要未列出具体模型、数据集、指标、数值、划分或对照基线，不能据此判断改善幅度及适用边界。复现时需核对正常 patch 的来源与筛选条件、异常评分和阈值设定，以及不同组件的消融与统计信息；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 EEG 异常片段或伪迹检测，NCL 的正常结构约束可能缓解基础模型将异常也重建得过好的问题，但这不等同于已验证的 BCI 解码收益。该假设依赖少量正常片段能够代表目标分布；可复用正常性子空间与特征校准思路，需适配 EEG 的多通道特征、patch 划分及评分方式。低信噪比、跨被试或跨会话差异、通道变化及小数据可能使正常子空间不稳定，或将有意义的神经活动误判为异常。一个可检验的小实验是在固定被试内划分、相同冻结骨干和相同正常训练片段下，对比原始误差评分与 NCL，并改变正常片段数量以检验收益稳定性。已有 EEG 相关工作尚未检索确认。