用于多编码器分布外检测的表征空间扩散模型 Tippett 最小 p 值融合

基于摘要分析。该研究面向通用分布外（OOD）检测，尝试用多个编码器各自的表征空间扩散模型（RDMs），同时识别全局域变化、语义偏离、纹理差异与协变量损坏。核心贡献是 EncMin2L：一种编码器无关的两级 min 门控机制，在不使用 OOD 标签的条件下融合并校准各编码器的扩散似然检测分数。 方法依赖分布内（ID）数据识别编码器对不同偏移类型的敏感性。摘要给出两项诊断：η² 来自类别条件 F 检验，Δμ 衡量合成损坏前后的对数似然变化；随后通过 Tippett 最小 p 值组合，将各编码器分数汇总为单一 OOD 信号。具体扩散训练目标、两级门控的组织方式、p 值估计方法，以及相关检测器下的校准条件尚未验证。 作者报告，EncMin2L 在四类偏移上均达到至少 0.94 AUROC，并在重叠基准上优于其比较的先进潜在空间扩散 OOD 检测器；相较整体式多编码器基线，参数成本低 2.3 倍。摘要未提供具体数据集、划分、基线名称或参数统计口径，以上结果仅能保留在作者所述评估范围内，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同 EEG 编码器确实对频谱、空间或时序偏移具有互补敏感性，ID 数据诊断与检测器融合可能用于跨被试或跨会话的异常输入识别，而非直接提升解码性能。可复用的是表征级检测与校准思路；需改造 EEG 编码器、合成损坏方式和阈值校准。低信噪比、小数据及通道变化可能使似然不稳定，相关编码器也可能削弱融合收益。一个可检验的小实验是在独立校准集上仅用 ID 数据定阈值，比较单编码器与 EncMin2L 对留出会话及预定义信号损坏的 AUROC、ID 误报率；测试标签仅用于评估。已有 EEG 相关工作尚未检索确认。