基于零空间分析的分布外检测

基于摘要分析。本文研究神经网络部署时对未预期输入的分布外（OOD）检测，提出 Null Space Analysis（NuSA），通过压低分布内样本的零空间投影，使 OOD 样本能够以更大的投影被识别。原研究对象是通用神经网络的异常输入检测，并非 EEG 或 BCI。 核心机制是利用并调控神经网络中固有的零空间，将样本在零空间上的投影作为区分分布内与分布外输入的信号。其动机是异常样本类型多样，训练时难以获得充分代表所有异常的数据。摘要未说明零空间对应的具体矩阵或层、约束如何纳入训练、检测分数及阈值如何定义，也未交代所需监督和数据规模，这些实现条件尚未验证。 作者报告，在固定网络架构、使用若干 OOD 数据集的实验中，NuSA 优于所比较的现有先进算法。摘要未给出数据集名称、划分、基线、评价指标或增益数值，因此无法判断改进幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类器的特征映射具有可利用的零空间，NuSA 可能用于检测偏离训练分布的输入。可复用的是投影约束与检测思路，需改造的是 EEG 特征映射、零空间定义及阈值校准。风险在于低信噪比、跨被试差异和通道变化也可能增大投影，导致有效脑信号被误拒；小数据下的投影估计也可能不稳定。一个可证伪的小实验是假设 NuSA 能区分任务内 EEG 与预先定义的任务外输入：在被试隔离、检测阈值不接触测试数据的条件下，比较固定分类器加入 NuSA 前后的 OOD 检测表现，并同时记录任务内样本误拒情况。已有 EEG 相关工作尚未检索确认。