能否从嵌入空间几何预测异常检测性能？

基于摘要分析。本文研究能否在无法访问真实异常数据的条件下，预测异常检测性能并选择模型。主要研究对象是 kNN 异常检测器及其嵌入表示，贡献包括性能下界分析与伪异常探针辅助的模型选择，而非 EEG 或 BCI 方法。 理论上，作者推导了 ROC 曲线下面积（AUC）的下界，将检测性能与正常、异常样本得分之间的分离程度及各自方差联系起来。随后借助局部尺度模型，分析密度变化、内在维度异质性和跨域不匹配如何影响得分变异。摘要未提供下界的具体形式、成立假设及局部尺度模型细节，尚需全文核对。 在模型选择方面，作者报告，仅凭正常样本得分方差，不能可靠预测不同表示下的检测性能。为补充相对得分分离程度的参照，论文引入简单的伪异常探针。因此，“无异常”模型选择在此指不使用真实异常样本，并不意味着只计算正常样本统计量。 作者报告，在 DCASE 2022–2025 benchmarks、四种嵌入模型和 208 个候选系统的评估范围内，基于伪异常的估计器显著改善了无真实异常样本的模型选择；在域偏移条件下，多样化伪异常使该策略优于常规开发集选择。摘要未给出具体改善幅度、数据划分、开发集构成、伪异常生成方式及统计检验，实验协议、消融及统计信息尚未验证。上述结论不宜扩展为任意表示或领域下均有效。 平台推测（待验证）：若 EEG 任务采用嵌入空间中的 kNN 异常检测，且真实异常标注稀缺，该方法可能用于比较候选表示。可复用的是得分几何分析和探针式选择思路；需改造的是符合 EEG 时序与通道结构的伪异常生成机制。低信噪比、跨被试差异、通道变化及小样本可能使探针反映采集伪迹而非目标异常。一个可检验的小实验是：在固定的跨被试划分下，仅用正常训练数据构造探针并选择候选表示，再以独立、带异常标签的测试集 AUC 检验排序预测，与仅用正常得分方差的选择策略比较。已有 EEG 相关工作尚未检索确认。