DCdetector：用于时间序列异常检测的双注意力对比表征学习

DCdetector 面向通用时间序列异常检测，研究如何学习能够区分正常样本与异常样本的表征，提出多尺度双注意力对比表征学习模型。基于摘要分析，尚未取得论文全文。 作者认为，基于重建的方法可能受到异常样本较大重建损失的影响，因此转向纯对比学习目标。DCdetector 通过双注意力非对称设计构造置换环境，学习具有异常判别能力的置换不变表征。摘要未给出置换操作的具体对象、多尺度组织方式、正负样本构造、损失公式及异常评分过程，这些机制细节尚未验证。 作者报告，该方法在多个时间序列异常检测基准数据集上取得最先进结果，但摘要未列出数据集名称、指标、划分协议或对照基线，不能据此量化优势或比较不同评估协议。材料提供了公开代码地址；代码与论文实验的一致性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若置换环境能够保留异常相关结构，同时削弱无关变化，该机制可能用于探索 EEG 异常片段的表征学习，而非直接证明其适用于 BCI 解码。其迁移依赖对比样本构造及置换不变性与 EEG 任务语义相容；可考虑复用对比学习框架，但需核对并改造时间与通道置换方式、输入表示及异常评分。低信噪比、跨被试差异、通道布局变化和小数据条件可能使模型学习伪迹，或使不变性抹去有意义的时序结构。可检验的小实验是在预先固定的 EEG 异常片段划分下，对比原置换设计与限制时间或通道置换的版本，检查异常检测效果及对伪迹的敏感性。已有 EEG 相关工作尚未检索确认。