用于异常检测的对比表征建模

基于摘要分析。本文研究距离式异常检测中的表征学习：如何让分布内（ID）正常样本形成紧致嵌入，同时与异常分离，并保留合成异常的多样性。作者提出整合这三项要求的对比学习目标，不依赖显式异常标签，并引入面向工业局部异常的基于 patch 的学习与评估策略。 核心机制是协调正常样本聚集与异常表征分散之间的关系。作者认为，常规对比学习可能使正常样本内部方差过大，或无法保留异常样本的多样性，因此将正常样本紧致聚类、正常与异常强分离、合成异常多样性作为代理任务的设计要求。摘要未提供损失公式、合成异常生成方式、距离计算方法，以及 patch 级训练与评估的具体流程，这些内容尚待全文核对。 作者报告，在所评估的语义异常与工业异常基准上，该方法较标准对比方法收敛更快、性能更好，并达到或超过部分采用判别式训练或显式异常标签的方法。摘要未给出具体数据集、划分、指标、数值与计算预算，因而不能量化收益或判断不同监督条件下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可作为 EEG 异常检测的研究假设，而非已证实的 BCI 方法。可复用部分是表征约束思路；需要改造的是 EEG 编码器、时空片段定义及合成异常生成策略。其适用性依赖于能否获得有代表性的正常 EEG，并生成不破坏任务语义的异常样本。低信噪比、跨被试差异、通道变化和小数据条件下，紧致性约束可能压缩正常生理差异，合成异常也可能偏离真实异常。一个可证伪的小实验是在固定 EEG 数据划分与编码器下，对照标准对比目标和该三项约束目标，检验检测性能是否改善且正常状态误报不增加。已有 EEG 相关工作尚未检索确认。