MambaAD：探索状态空间模型在多类别无监督异常检测中的应用

MambaAD 研究多类别无监督异常检测，针对 CNN 长程依赖建模受限及 Transformer 二次计算复杂度的问题，提出由预训练编码器与 Mamba 解码器组成的方法，通过多尺度结构联合建模局部信息和长程依赖。以下基于摘要分析，未取得论文全文。 机制方面，解码器在多个尺度使用 Locality-Enhanced State Space（LSS）模块，将并行级联的 Hybrid State Space（HSS）块与多卷积核操作结合。HSS 块利用 Hybrid Scanning（HS）编码器，以五种扫描方式和八个方向将特征图编码为序列，再通过 State Space Model（SSM）建立全局联系。作者强调 Hilbert 扫描与八方向扫描有助于特征序列建模。摘要未披露预训练编码器名称、具体训练目标、异常评分方式及无监督训练所用数据的构成，这些内容尚未验证。 作者报告，在六个异常检测数据集、七项指标的实验中达到当前最佳性能，并报告 Hilbert 扫描与八方向扫描带来改善；但摘要未列出数据集名称、指标名称、具体数值、数据划分或对照基线，因此不能据此量化优势，也不能确认不同实验之间的可比性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其局部—全局联合建模机制可能对应 EEG 中局部时频变化与跨通道依赖的建模需求，但原研究并非 EEG 或 BCI 验证。迁移假设依赖于将 EEG 构造成具有合理邻接关系的特征图；可尝试复用 LSS/HSS，需改造输入表征、预训练编码器及异常评分。通道布局差异、低信噪比和小样本可能使扫描顺序引入无效邻接，跨被试变化也可能被误判为异常。一个可检验的小实验是，在固定 EEG 数据划分、训练样本及参数预算下，对比多方向扫描、单方向扫描和仅局部卷积，检查多方向机制是否稳定改善预先定义的异常检测指标。该建议不是原论文结果；已有 EEG 相关工作尚未检索确认。