在机器学习的世界里，有一种极具挑战性的任务：你只有极少量的正样本（比如5个或10个），而且只有正样本可用，没有负样本 。这就是**小样本单类分类（Few-Shot One-Class Classification, FS-OCC）**问题。
这个场景在实际应用中非常普遍：
-
生物特征认证：每个人只有自己的少量注册样本（正样本），需要拒绝所有其他人（负样本）
-
工业异常检测：只有正常产品的少量样本，需要检测各种未知缺陷
-
网络安全：只有正常流量的少量样本，需要识别各种攻击
然而，现有方法大多基于几何假设（如用超球面包围正样本），没有显式建模数据的分布规律，导致学到的特征表示泛化能力有限。当面对全新的类别时，性能往往不尽如人意。
针对这一挑战，来自北京理工大学的研究团队提出了一种新颖的方法------BayesAHDD（基于贝叶斯规则的自适应超球面数据描述） ，将贝叶斯决策规则 与高斯分布建模 相结合，为小样本单类分类提供了全新的概率视角。该成果发表于Expert Systems with Applications（2026）。
现有方法的困境
目前主流的FS-OCC方法大致分为两类：
-
超平面法（如Ow- ProtoNet）：假设负类集中在原点，用超平面分离正负类。但超平面边界往往导致类间重叠，区分能力有限。
-
超球面法（如Meta- SVDD、AHDD）：用一个最小体积的超球面包围正样本。虽然AHDD引入了可学习的半径，但这些方法仍然依赖几何假设，只优化样本"在边界内/外"，而没有显式建模数据的分布规律。
这些方法的共同局限：学到的特征表示缺乏概率解释，难以真正捕捉数据的底层分布，导致泛化能力受限。
BayesAHDD：从几何到概率的范式转变
BayesAHDD的核心思想是：用高斯分布显式建模正类和负类的概率密度，然后根据贝叶斯决策规则进行分类。
1. 高斯分布建模
-
正类分布：从支持集（少量正样本）中估计均值和方差。假设特征维度不相关，使用对角协方差矩阵（简化计算，避免矩阵奇异）。
-
负类分布 ：与正类共享相同的均值，但方差更大------通过一个可学习的缩放向量 δσδσ 逐元素放大正类方差。这体现了"负类样本在特征空间中更分散"的合理假设。
2. 贝叶斯决策
对于查询样本，计算其后验概率 p(y=0∣fθ(x))p(y=0∣fθ(x))（属于正类的概率）。当后验概率≥0.5时判为正类，否则为负类。
后验概率的计算巧妙简化了：引入可学习参数 rr，将先验概率比与高斯分布的归一化常数整合在一起，避免直接计算行列式（防止数值溢出）。
3. 方差下界约束：防止梯度爆炸
在元学习训练中，不同任务的正类随机变化，导致估计的方差可能极小，引发梯度爆炸。BayesAHDD引入方差下界约束，将小于阈值 ll 的方差元素裁剪到 ll，显著提升了训练稳定性。
实验验证：全面超越现有方法
研究团队在多个基准数据集上进行了严格评估，包括Omniglot、miniImageNet、CIFAR-FS，以及领域特定的CUB-200-2011鸟类数据集和真实的CNC铣床异常检测数据集。
分类准确率：显著领先
-
Omniglot （5-shot）：BayesAHDD达到97.74%，优于AHDD（97.61%）
-
miniImageNet （5-shot）：76.00% vs AHDD（74.87%）
-
CIFAR-FS （5-shot）：79.39% vs AHDD（79.04%）
-
CUB-200-2011 （5-shot）：71.45% vs AHDD（68.75%）
在使用更强骨干网络ResNet-12时，优势进一步扩大（CIFAR-FS 5-shot达到81.68%）。
F1分数与AUC：全面评估
在不平衡场景下，F1分数和AUC更能反映模型真实性能：
-
在miniImageNet（5-shot）上，BayesAHDD的F1分数76.00%，高于AHDD的74.82%
-
AUC在miniImageNet（5-shot）上达到83.60%，远超OC-ProtoNet（72.58%）和AHDD（82.47%）
真实工业场景：CNC铣床异常检测
在高度不平衡（816:35）的CNC铣床数据集中，BayesAHDD在三个操作类型上的平均准确率达到84.70%，显著优于AHDD的81.76%。
特征表示质量：更紧致、更可分
-
类间/类内距离比：在Omniglot的20个字母表上，BayesAHDD的比值均低于AHDD，尤其在Malayalam（0.67 vs 0.94）和Manipuri（0.64 vs 0.94）上优势明显，说明特征更紧致、更易区分。
-
t-SNE可视化：BayesAHDD学到的特征空间中，不同类别界限清晰，重叠极少；而AHDD存在明显混叠。
高斯性检验：验证分布假设
使用Henze-Zirkler多元正态性检验：
-
在嵌入维度7时，BayesAHDD在18/20个类别上通过正态性检验（p>0.05），而AHDD仅通过13/20个
-
这说明BayesAHDD学到的特征确实更符合高斯分布，验证了模型假设的合理性
讨论与展望
参数r的物理意义
当查询样本恰好位于类中心时，rr 等于正负类联合概率密度的峰值比。实验中学到的 rr 值很大（miniImageNet上约520），说明中心区域正类的概率密度远高于负类------这正是一个好的单类分类器应有的特性。
共享均值的合理性
虽然负类与正类共享均值看似反直觉，但这确保了负样本总能获得远离正类中心的梯度信号，使优化方向明确、收敛稳定。
局限与未来方向
-
高斯分布假设：对非高斯分布的数据可能不适用，未来可探索更灵活的非超球面数据描述模型
-
固定特征表示：作为基于度量的元学习方法，特征表示在元训练后固定，难以适应环境变化。未来可引入在线学习或进化计算，实现持续适应
总结
BayesAHDD通过将贝叶斯决策规则与高斯分布建模引入小样本单类分类，实现了从几何假设到概率建模的范式突破。其核心创新------方差共享与缩放、可学习先验参数、方差下界约束------共同构建了一个理论上优雅、实践上强大的框架。
实验结果表明，BayesAHDD不仅在标准基准上全面超越现有方法，在真实的工业异常检测场景中也表现出色。这项工作为小样本单类分类开辟了新方向，也为其他小样本学习任务提供了有益启示。