面向无监督多类别异常检测的统一参考表示学习

基于摘要分析。本文研究无监督多类别异常检测中重建模型的“学习捷径”问题，提出 RLR（Reconstruct features from a Learnable Reference representation），通过可学习参考表示重建特征，引导模型显式学习正常样本的特征模式。原研究对象是视觉异常检测，并非 EEG 或 BCI。 机制上，作者指出，从单类别异常检测沿用的重建方法可能依赖恒等映射或人工噪声消除，而未真正掌握正常模式，因而无法将真实异常重建为正常实例。RLR 以可学习参考表示作为特征重建的依据，并在参考表示中加入局部性约束，以促进正常模式捕获；同时采用 masked learnable key attention 机制增强鲁棒性。摘要未提供参考表示的组织方式、局部性约束的具体形式、掩码策略或训练损失，尚不能据此判断各组件如何阻断捷径。 作者报告，在包含 15 个类别的 MVTec-AD 和包含 12 个类别的 VisA 上，RLR 在统一设置下优于所比较的先进方法。摘要未给出具体指标、分数、数据划分及对照方法，不能量化优势，也不能与其他协议下的结果直接比较。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前材料未确认代码已发布。 平台推测（待验证）：若将该机制用于 EEG 异常检测，可检验的假设是，以正常模式参考表示约束重建，可能减少模型直接复制异常输入的倾向；这不等于已有 BCI 有效性证据。可复用的是参考表示约束重建的思路，需要改造视觉特征提取、局部性定义与异常评分，使其适配 EEG 的时间、通道结构。低信噪比、跨被试差异及小样本可能使参考表示混入伪迹或将个体正常差异误判为异常。小规模验证可在同一 EEG 数据划分与相同特征提取器下，对比普通重建和参考表示约束重建，并核对异常检测效果及正常样本误报；已有 EEG 相关工作尚未检索确认。