Forte：通过表征典型性估计发现离群点

基于摘要分析。该研究面向图像分布外（OOD）检测与合成数据检测，提出 Forte：在学习到的表征空间中，结合基于流形估计的信息性摘要统计进行典型性估计，以缓解直接依赖生成模型似然进行 OOD 检测的局限。 作者讨论的原问题包括似然估计误差、生成过程中的熵及典型性问题，并提出一种假设：部分生成式 OOD 检测器过度关注像素而非语义内容，因此可能难以识别像素相近但信息内容不同的 near-OOD 样本。Forte 据此利用自监督学习器估计典型集；不过，具体表征模型、流形估计方式、统计量定义、训练目标及推理流程在摘要中未展开。 作者报告，方法在所评估的既有挑战性基准与新增合成数据检测任务上优于其他无监督方法，并达到最先进性能。摘要未提供基准名称、指标、数值、数据划分及对照配置，因而无法核对优势幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 自监督表征能够保留任务相关结构，表征典型性估计或可用于识别异常试次或分布偏移，但图像语义空间中的有效性不等于 EEG/BCI 有效性。可复用的是“表征—典型性统计—异常判别”流程，需改造或核对 EEG 编码器、时序窗口、通道配置及正常参考集构建方式；低信噪比、跨被试差异和小样本流形估计可能使检测器把正常个体差异误判为异常。一个可证伪的小实验是：固定 EEG 编码器与被试内数据划分，仅用训练集构建参考分布，在独立测试集上比较表征典型性统计与简单表征距离的异常检测表现，再单独评估跨被试误报变化。相关 EEG 工作尚未检索确认。