学习塑造分布内特征空间以进行分布外检测

基于摘要分析。该研究面向通用机器学习中的分布外（OOD）检测，针对预训练判别模型的实际特征分布与检测评分所依赖的分布假设不匹配的问题，提出 Distributional Representation Learning（DRL）：在预训练过程中显式约束分布内（ID）特征空间符合预定义混合分布，而非训练完成后再对特征分布作假设。 核心机制包括对归一化常数进行在线近似以支持端到端训练，以及将 DRL 表述为 Expectation-Maximization（EM）算法。作者称该算法具有可证明的收敛性，并用于避免平凡解；此外，通过重新安排序列采样引导训练一致性。摘要未给出混合分布的具体形式、损失函数、在线近似方式、采样规则及收敛证明条件，这些均尚未验证。 作者报告，在主流 OOD 检测基准上的广泛评估显示 DRL 优于先进对照方法，但摘要未列明数据集、模型、数据划分、评价指标或数值。因此目前只能确认作者的定性结论，实验协议、消融及统计信息尚未验证；来源栏目中的 State space models 也不足以认定方法采用状态空间模型。 平台推测（待验证）：其机制可能对应 EEG 分类器面对未见任务状态或异常输入时的拒识需求，可复用的是训练阶段特征分布约束与后续 OOD 检测思路，需改造的是 EEG 编码器及适应信号特征的分布设定。该假设依赖有明确 ID 类别定义的判别训练数据，以及独立的 OOD 评估样本；不能将普通跨被试差异直接等同于 OOD。低信噪比、被试与通道差异可能导致生理变化和语义异常混杂，小数据条件也可能使分布拟合不稳定。可检验的小实验是在固定 EEG 编码器和数据划分下，对比加入与不加入 DRL 的模型，用预先定义的未见任务类别评估 OOD 检测，同时检查 ID 分类性能是否下降；具体实现需先取得全文。已有 EEG 相关工作尚未检索确认。