CMAD：基于紧凑表征学习与马氏距离统计判别的工业异常检测架构
核心结论
本项目提出一种面向资源受限工业边缘设备的紧凑表征学习与马氏距离统计判别异常检测架构（CMAD, Compactness-Mahalanobis Anomaly Detection）。
该架构通过训练阶段深度特征表征学习 、离线阶段统计分布建模 、在线阶段距离度量判别 的三阶段解耦设计，实现深度网络优化过程与统计异常检测过程的完全分离。从机制上彻底阻断了动态统计量参与反向传播引发的目标漂移（Moving Target）与梯度爆炸（Gradient Explosion）问题。架构完美适配高维 Embedding 特征空间、小批次训练场景、单类正常样本建模（One-Class Anomaly Detection）任务以及长周期稳定运行的工业边缘系统。
一、 完整范式链路
CMAD 将工业异常检测全流程拆解为三个职责清晰、逻辑递进、互不干扰的核心阶段，实现训练、校准、推理的工程化解耦。
【正常工业数据 x】
│
▼
┌─────────────────┐
│ 深度特征编码器 │ (Encoder: f_θ)
└────────┬────────┘
│
▼
【Embedding 特征 z】
│
──────┼────────────────────────────────────────────────────────
│
[Stage 1: 表征学习] (训练阶段)
├──► Batch 级 Compactness Loss (z_i - z̄_B) 约束几何紧凑性
└──► 梯度反传，迭代更新网络参数 θ (不涉及协方差求逆与分布反传)
──────┼────────────────────────────────────────────────────────
│
[Stage 2: 分布校准] (离线阶段 - 参数冻结)
├──► 基于独立校准集 (D_cal) 提取 Dataset 级中心 μ_D
├──► 严格 Ledoit-Wolf 收缩估计拟合全局分布
└──► 固化参数: 全局均值 μ_D, 精度矩阵 Ω = Σ⁻¹, 校准阈值 T
──────┼────────────────────────────────────────────────────────
│
[Stage 3: 统计判别] (在线推理阶段)
├──► 提取未知样本特征 z = f_θ(x)
├──► 计算平方马氏距离 d² = (z - μ_D)ᵀ Ω (z - μ_D)
└──► 阈值判定: d² > T ? ──► 输出 [正常 / 异常]Stage 1：表征学习（Representation Learning）
正常工业数据输入深度特征编码器（Deep Feature Encoder），映射生成高维 Embedding 特征：
z=fθ(x)z = f_\theta(x)z=fθ(x)
- xxx：原始输入工业样本数据；
- fθf_\thetafθ：参数为 θ\thetaθ 的深度特征编码网络；
- z∈RDz \in \mathbb{R}^Dz∈RD：网络输出的高维特征向量。
训练阶段引入 Compactness Loss（紧凑性损失） 约束正常样本 Embedding 在特征空间内的几何紧凑性，持续压缩类内方差：
Lc=1N∑i=1N∥zi−zˉB∥22,zˉB=1N∑i=1NziL_c = \frac{1}{N} \sum_{i=1}^{N} \Vert{}z_i - \bar{z}_B\Vert{}_2^2, \quad \bar{z}B = \frac{1}{N} \sum{i=1}^{N} z_iLc=N1i=1∑N∥zi−zˉB∥22,zˉB=N1i=1∑Nzi
注 ：此处 zˉB∈RD\bar{z}_B \in \mathbb{R}^DzˉB∈RD 为当前训练 Batch 的局部均值（Batch Mean）。
Stage 2：分布校准（Distribution Calibration）
模型训练完成后，终止网络参数更新，进入离线统计校准阶段：
- 冻结参数 ：冻结特征编码器全部参数 θ\thetaθ，固定特征映射规则。
- 特征提取 ：使用独立的正常校准集（Calibration Set, DcalD_{cal}Dcal）提取全量正常 Embedding 特征。
- 统计建模 ：计算全量校准集的全局均值（Dataset Mean）：
μD=1M∑m=1Mzm(zm∈Dcal)\mu_D = \frac{1}{M} \sum_{m=1}^{M} z_m \quad (z_m \in D_{cal})μD=M1m=1∑Mzm(zm∈Dcal)
采用严格 Ledoit-Wolf 收缩估计求解全局特征协方差矩阵：
ΣLW=(1−α)Σ+α⋅Tr(Σ)DID\Sigma_{\text{LW}} = (1 - \alpha)\Sigma + \alpha \cdot \frac{\operatorname{Tr}(\Sigma)}{D} I_DΣLW=(1−α)Σ+α⋅DTr(Σ)ID
由此导出正常特征空间的精度矩阵（Precision Matrix, Ω∈RD×D\Omega \in \mathbb{R}^{D \times D}Ω∈RD×D）：
Ω=ΣLW−1\Omega = \Sigma_{\text{LW}}^{-1}Ω=ΣLW−1
- 阈值标定 ：计算校准集全量正常样本的平方马氏距离分布，标定异常判定阈值 TTT：
T=Pq(dcal2)T = P_q(d_{cal}^2)T=Pq(dcal2)
工业场景常用标定标准为覆盖 99.5% 的正常校准样本距离分布：T=P99.5(dcal2)T = P_{99.5}(d_{cal}^2)T=P99.5(dcal2)。
- 参数固化 ：固化全套离线静态参数 {μD,Ω,T}\{\mu_D, \Omega, T\}{μD,Ω,T}，用于后续在线推理。
Stage 3：统计判别（Statistical Decision）
在线推理阶段仅执行特征提取与统计判别，无任何参数更新与复杂矩阵求逆计算：
- 输入未知工业样本 xxx；
- 通过冻结的编码器提取特征：z=fθ(x)z = f_\theta(x)z=fθ(x)；
- 加载离线固化的统计参数 μD,Ω\mu_D, \OmegaμD,Ω；
- 计算样本相对于全局正常分布的平方马氏距离：
d2=(z−μD)TΩ(z−μD)d^2 = (z - \mu_D)^T \Omega (z - \mu_D)d2=(z−μD)TΩ(z−μD)
- 决策输出：若 d2>Td^2 > Td2>T，判定为异常样本；否则判定为正常样本。
二、 核心机制解析与严格数学证明
1. 马氏距离不适合直接作为训练损失的求导与耦合闭环分析
马氏距离本身在数学上是完全可微的。但在训练过程中，若将批次计算得到的马氏距离作为损失函数，由于批次均值 μB(θ)\mu_B(\theta)μB(θ) 与精度矩阵 ΩB(θ)\Omega_B(\theta)ΩB(θ) 均依赖于特征提取网络参数 θ\thetaθ，根据链式法则，损失 L=d2L = d^2L=d2 对参数 θ\thetaθ 的完整全导数为：
dLdθ=∂d2∂z∂z∂θ⏟特征空间收缩项+∂d2∂μB∂μB∂θ⏟均值中心漂移项+∂d2∂ΩB∂ΩB∂θ⏟精度矩阵梯度爆炸项\frac{\mathrm{d} L}{\mathrm{d} \theta} = \underbrace{\frac{\partial d^2}{\partial z} \frac{\partial z}{\partial \theta}}{\text{特征空间收缩项}} + \underbrace{\frac{\partial d^2}{\partial \mu_B} \frac{\partial \mu_B}{\partial \theta}}{\text{均值中心漂移项}} + \underbrace{\frac{\partial d^2}{\partial \Omega_B} \frac{\partial \Omega_B}{\partial \theta}}_{\text{精度矩阵梯度爆炸项}}dθdL=特征空间收缩项 ∂z∂d2∂θ∂z+均值中心漂移项 ∂μB∂d2∂θ∂μB+精度矩阵梯度爆炸项 ∂ΩB∂d2∂θ∂ΩB
若不进行人工截断（Stop-gradient / Detach），允许梯度流经全路径，会导致严重的优化崩溃：
- 移动目标问题（Moving Target Problem） ：
第二项 ∂d2∂μB∂μB∂θ\frac{\partial d^2}{\partial \mu_B} \frac{\partial \mu_B}{\partial \theta}∂μB∂d2∂θ∂μB 允许网络通过整体平移特征分布 （改变中心 μB\mu_BμB）来逃避损失，而非真正压缩样本间的相对距离。 - 精度矩阵求逆引发梯度爆炸 ：
第三项涉及精度矩阵 ΩB=ΣB−1\Omega_B = \Sigma_B^{-1}ΩB=ΣB−1 对参数的求导。根据矩阵求逆求导微分公式：
dΣ−1=−Σ−1(dΣ)Σ−1\mathrm{d}\Sigma^{-1} = -\Sigma^{-1} (\mathrm{d}\Sigma) \Sigma^{-1}dΣ−1=−Σ−1(dΣ)Σ−1
其导数中包含二次项 ΩB2=(ΣB−1)2\Omega_B^2 = (\Sigma_B^{-1})^2ΩB2=(ΣB−1)2。当小批次场景下协方差矩阵接近奇异（即最小特征值 λmin(ΣB)→0\lambda_{\min}(\Sigma_B) \rightarrow 0λmin(ΣB)→0）时，ΣB−1\Sigma_B^{-1}ΣB−1 的模长趋于无穷，极易引发梯度瞬间爆炸。
阻断梯度（Stop-Gradient）与 CMAD 解耦的对比 ：
在工程实现中，若对统计量使用截断操作（如 PyTorch 中的
mu.detach(),cov.detach()），实际上是将后两项梯度人为阻断 ，仅保留第一项。CMAD 架构在此基础上更进一步 ：直接在训练阶段（Stage 1）采用计算简单的几何紧凑损失（Compactness Loss），将统计分布拟合（Stage 2）完全置于离线参数冻结之后。彻底避免了训练阶段对 ΩB\Omega_BΩB 进行在线求逆与梯度截断的工程复杂性。
2. Compactness Loss 的梯度严格推导
针对 Batch 级 Compactness Loss：
Lc=1N∑j=1N(zj−zˉB)T(zj−zˉB),其中 zˉB=1N∑k=1NzkL_c = \frac{1}{N} \sum_{j=1}^{N} (z_j - \bar{z}_B)^T (z_j - \bar{z}_B), \quad \text{其中 } \bar{z}B = \frac{1}{N}\sum{k=1}^N z_kLc=N1j=1∑N(zj−zˉB)T(zj−zˉB),其中 zˉB=N1k=1∑Nzk
对特定样本特征 zi∈RDz_i \in \mathbb{R}^Dzi∈RD 展开严格向量对向量求导：
∂Lc∂zi=1N∑j=1N2⋅(∂zj∂zi−∂zˉB∂zi)T(zj−zˉB)\frac{\partial L_c}{\partial z_i} = \frac{1}{N} \sum_{j=1}^{N} \left 2 \\cdot \\left( \\frac{\\partial z_j}{\\partial z_i} - \\frac{\\partial \\bar{z}_B}{\\partial z_i} \\right)\^T (z_j - \\bar{z}_B) \\right∂zi∂Lc=N1j=1∑N2⋅(∂zi∂zj−∂zi∂zˉB)T(zj−zˉB)
注意到雅可比矩阵 ∂zj∂zi=δijID\frac{\partial z_j}{\partial z_i} = \delta_{ij} I_D∂zi∂zj=δijID（当 i=ji=ji=j 时为 DDD 维单位矩阵 IDI_DID，否则为 0D0_D0D），且 Batch 中心的导数为 ∂zˉB∂zi=1NID\frac{\partial \bar{z}_B}{\partial z_i} = \frac{1}{N}I_D∂zi∂zˉB=N1ID。将其代入推导：
∂Lc∂zi=2NID(zi−zˉB)−2N2ID∑j=1N(zj−zˉB)\frac{\partial L_c}{\partial z_i} = \frac{2}{N} I_D (z_i - \bar{z}B) - \frac{2}{N^2} I_D \sum{j=1}^{N} (z_j - \bar{z}_B)∂zi∂Lc=N2ID(zi−zˉB)−N22IDj=1∑N(zj−zˉB)
根据中心化向量的代数性质，必有 ∑j=1N(zj−zˉB)=0D\sum_{j=1}^{N} (z_j - \bar{z}_B) = 0_D∑j=1N(zj−zˉB)=0D，故第二项（均值依赖项）在求和后严格抵消消失。最终梯度公式为：
∂Lc∂zi=2N(zi−zˉB)\frac{\partial L_c}{\partial z_i} = \frac{2}{N}(z_i - \bar{z}_B)∂zi∂Lc=N2(zi−zˉB)
结论与严谨说明 ：由于中心化约束条件满足 ∑j=1N(zj−zˉB)=0D\sum_{j=1}^{N} (z_j - \bar{z}_B) = 0_D∑j=1N(zj−zˉB)=0D，均值依赖项在推导中通过单位矩阵 IDI_DID 展开后严格相互抵消。因此，梯度方向纯粹保持为单样本相对 Batch 中心的收缩方向，方向明确、无漂移且计算极其稳定。
3. Compactness Loss 与特征协方差 Trace 的严格等价性
本文采用无偏样本特征协方差矩阵（Feature Covariance Matrix, Σb∈RD×D\Sigma_b \in \mathbb{R}^{D \times D}Σb∈RD×D）的标准定义：
Σb=1N−1∑i=1N(zi−zˉB)(zi−zˉB)T\Sigma_b = \frac{1}{N-1} \sum_{i=1}^{N} (z_i - \bar{z}_B)(z_i - \bar{z}_B)^TΣb=N−11i=1∑N(zi−zˉB)(zi−zˉB)T
其矩阵的迹（Trace，主对角线元素之和）表达为：
Tr(Σb)=Tr(1N−1∑i=1N(zi−zˉB)(zi−zˉB)T)=1N−1∑i=1N∥zi−zˉB∥22\operatorname{Tr}(\Sigma_b) = \operatorname{Tr}\left( \frac{1}{N-1} \sum_{i=1}^{N} (z_i - \bar{z}_B)(z_i - \bar{z}B)^T \right) = \frac{1}{N-1} \sum{i=1}^{N} \Vert{}z_i - \bar{z}_B\Vert{}_2^2Tr(Σb)=Tr(N−11i=1∑N(zi−zˉB)(zi−zˉB)T)=N−11i=1∑N∥zi−zˉB∥22
因此有：
∑i=1N∥zi−zˉB∥22=(N−1)Tr(Σb)\sum_{i=1}^{N} \Vert{}z_i - \bar{z}_B\Vert{}_2^2 = (N-1) \operatorname{Tr}(\Sigma_b)i=1∑N∥zi−zˉB∥22=(N−1)Tr(Σb)
代入 Compactness Loss 的定义式，得到严格推导结果：
Lc=N−1NTr(Σb)L_c = \frac{N-1}{N} \operatorname{Tr}(\Sigma_b)Lc=NN−1Tr(Σb)
注 ：本文明确采用特征协方差（Feature Covariance）和无偏样本估计（除以 N−1N-1N−1），因此公式中包含 N−1N\frac{N-1}{N}NN−1 比例系数；若采用机器学习中简单的总体协方差定义（除以 NNN），则直接有 Lc=Tr(Σ)L_c = \operatorname{Tr}(\Sigma)Lc=Tr(Σ)。两者本质均证明了 Compactness Loss 等价于最小化特征空间的总体方差能量。
4. 表征塌缩（Representation Collapse）风险与工程防御机制
Compactness Loss 的最小化过程允许模型通过学习常量映射（即 z1=z2=⋯=zN=c ⟹ Lc=0z_1 = z_2 = \dots = z_N = c \implies L_c = 0z1=z2=⋯=zN=c⟹Lc=0）达到全局最优，从而引发表征塌缩。CMAD 架构明确 Compactness Loss 的作用在于约束正常样本 Embedding 的几何紧凑性，而非盲目学习可分离语义 ，并设计了三重工程防御机制：
- 预训练 / 迁移初始化：利用通用领域预训练参数（如 ImageNet 或工业通用基础模型）初始化编码器，赋予其天然的特征拓扑结构。
- 分层微调（Layer-wise Fine-tuning）：冻结网络浅层（保留基础纹理与边缘提取能力），仅微调深层适配网络与投影层。
- 校准阶段质量拦截 ：在 Stage 2 离线校准时，若发生特征塌缩，协方差矩阵趋于零（Σ→0\Sigma \rightarrow 0Σ→0），将导致精度矩阵 Ω\OmegaΩ 条件数（Condition Number）剧增。该指标可直接作为离线阶段阻断无效模型下发的自动化拦截门禁。
5. 小批次高维场景下的协方差估计与严格 Ledoit-Wolf 收缩
工业场景下样本协方差矩阵 Σ=1N−1XcTXc\Sigma = \frac{1}{N-1} X_c^T X_cΣ=N−11XcTXc 的秩受限于样本数与特征维度，严格满足：
rank(Σ)≤min(D,N−1)\operatorname{rank}(\Sigma) \le \min(D, N - 1)rank(Σ)≤min(D,N−1)
当 D>ND > ND>N 时（如 D=576,N=64D = 576, N = 64D=576,N=64，rank(Σ)≤63<576\operatorname{rank}(\Sigma) \le 63 < 576rank(Σ)≤63<576），Σ\SigmaΣ 必为奇异矩阵，无法求逆。即使在 D<ND < ND<N 场景下，若特征高度相关，Σ\SigmaΣ 亦可能呈病态（Ill-conditioned）。
为实现严格的离线分布建模，CMAD 采用标准 Ledoit-Wolf 收缩估计：
ΣLW=(1−α)Σ+α⋅F\Sigma_{\text{LW}} = (1 - \alpha)\Sigma + \alpha \cdot FΣLW=(1−α)Σ+α⋅F
其中，收缩目标 FFF 为各向同性方差矩阵（由单位矩阵乘平均方差标量得到，保持总体迹能量不变）：
F=Tr(Σ)DIDF = \frac{\operatorname{Tr}(\Sigma)}{D} I_DF=DTr(Σ)ID
最终求得的收缩协方差矩阵表达为：
ΣLW=(1−α)Σ+α⋅Tr(Σ)DID(α∈0,1)\Sigma_{\text{LW}} = (1 - \alpha)\Sigma + \alpha \cdot \frac{\operatorname{Tr}(\Sigma)}{D} I_D \quad (\alpha \in 0, 1)ΣLW=(1−α)Σ+α⋅DTr(Σ)ID(α∈0,1)
解得精度矩阵为：
Ω=ΣLW−1\Omega = \Sigma_{\text{LW}}^{-1}Ω=ΣLW−1
三、 阶段职责与主流范式对比
1. 三阶段职责拆解
| 阶段 | 核心任务 | 核心方法 | 理论与工程优势 |
|---|---|---|---|
| Stage 1: 训练 | 压缩正常类内方差，约束几何紧凑性 | Batch 级 Compactness Loss (zˉB\bar{z}_BzˉB) | 全程可微、梯度稳定、无目标漂移 |
| Stage 2: 校准 | 拟合全局正常分布，标定判定阈值 | Dataset 级全局中心 (μD\mu_DμD) + 严格 LW + 独立校准集 DcalD_{cal}Dcal | 无梯度计算、独立标定、极高泛化性 |
| Stage 3: 推理 | 量化偏离程度，输出决策结果 | 精度矩阵平方马氏距离 (Ω\OmegaΩ) | 轻量化计算、无在线更新、长效稳定 |
2. 主流工业异常检测范式对比
| 架构/方法 | 训练阶段核心目标 | 推理阶段判别依据 | CMAD 对比优势 |
|---|---|---|---|
| Deep SVDD | 最小化特征到固定超球心的距离 | 特征到球心的欧氏距离 | 欧氏距离假设空间各向同性，CMAD 的马氏距离结合精度矩阵 Ω\OmegaΩ 考虑了特征间复杂的协方差关系。 |
| PatchCore | 冻结特征提取器，构建 Memory Bank | kNN 近邻距离搜索 | PatchCore 依赖大规模特征库存储，CMAD 仅需固化静态矩阵，内存占用降低 90% 以上。 |
| AutoEncoder | 拟合正常样本重构模式 | 输入与输出的重构 MSE | 消除重构网络在高频边缘处的假阳性误报，推理算力需求显著降低。 |
| CMAD (本方案) | Compactness Loss 约束几何空间 | 全局马氏距离统计偏离度 | 实现"训练目标"与"检测目标"完全解耦，兼顾训练稳定性与端侧高效性。 |
四、 离线阈值标定 (Threshold Calibration)
为防止阈值标定在训练集上发生过拟合，CMAD 在离线校准阶段使用独立的正常校准集（Calibration Set, DcalD_{cal}Dcal）进行标定。
方法一：正常分布分位数法（工业推荐）
收集校准集全量样本的平方马氏距离序列 {d12,d22,...,dm2} (dm∈Dcal)\{d_1^2, d_2^2, \dots, d_m^2\} \ (d_m \in D_{cal}){d12,d22,...,dm2} (dm∈Dcal)，通过分布分位数直接确定阈值：
T=Pq(dcal2)T = P_q(d_{cal}^2)T=Pq(dcal2)
工业界常用 T=P99.5(dcal2)T = P_{99.5}(d_{cal}^2)T=P99.5(dcal2)，即允许 0.5% 的极值作为误报上限。该方法无须假设数据服从高斯分布，适配工业真实非高斯分布形态。
方法二：统计规则法（备选）
若校准样本的马氏距离分布近似高斯分布，可采用 kkk-sigma 规则标定：
T=μd,cal+k⋅σd,cal(k 通常取 3)T = \mu_{d, cal} + k \cdot \sigma_{d, cal} \quad (k \text{ 通常取 } 3)T=μd,cal+k⋅σd,cal(k 通常取 3)
五、 端侧部署设计与内存/算力边界
1. 边缘端部署结构
CMAD 在在线推理阶段完全摒弃了训练、协方差更新及求逆计算，仅保留极轻量级的矩阵与向量运算：
text
model/
├── encoder.onnx # 训练固化的特征编码器 (或 .engine / .tflite)
└── statistics/ # 离线固化的静态统计参数
├── mean.npy # 全局特征均值向量 μ_D (D 维)
├── precision.npy # 精度矩阵 Ω = Σ⁻¹ (D x D 维)
└── threshold.json # 决策阈值 T (标量)2. 在线推理计算流程
- 特征提取 ：z=fθ(x)z = f_\theta(x)z=fθ(x)（编码器前向推理）；
- 中心化 ：Δz=z−μD\Delta z = z - \mu_DΔz=z−μD（向量减法）；
- 线性变换 ：s=ΩΔzs = \Omega \Delta zs=ΩΔz（精度矩阵与向量乘积）；
- 距离度量 ：d2=ΔzTsd^2 = \Delta z^T sd2=ΔzTs（向量点乘）；
- 阈值判定 ：若 d2>Td^2 > Td2>T，输出异常信号。
3. 计算复杂度（MACs / FLOPs）与超高维存储边界
(1) 算力开销计算（以 D=576D = 576D=576 为例）
- 矩阵-向量乘法 ΩΔz\Omega \Delta zΩΔz ：需要 D2D^2D2 次乘加累加操作（MACs）；
- 向量点乘 ΔzTs\Delta z^T sΔzTs ：需要 DDD 次 MACs。
- MACs（乘加累加数）：
MACs=5762+576=331,776+576=332,352≈3.32×105 MACs\text{MACs} = 576^2 + 576 = 331,776 + 576 = 332,352 \approx 3.32 \times 10^5 \text{ MACs}MACs=5762+576=331,776+576=332,352≈3.32×105 MACs
- FLOPs（浮点运算次数，1 MAC = 2 FLOPs）：
FLOPs=2×MACs≈6.65×105 FLOPs (0.665 MFLOPs)\text{FLOPs} = 2 \times \text{MACs} \approx 6.65 \times 10^5 \text{ FLOPs} \ (0.665 \text{ MFLOPs})FLOPs=2×MACs≈6.65×105 FLOPs (0.665 MFLOPs)
算力结论 ：单次判别的统计开销仅约为 0.33 M MACs（0.66 M FLOPs），相较于深度编码器可以忽略不计，满足毫秒级实时响应。
(2) 存储空间边界扩展
精度矩阵 Ω∈RD×D\Omega \in \mathbb{R}^{D \times D}Ω∈RD×D 在端侧占用 Float32 内存空间为 Mmem=D2×4 BytesM_{mem} = D^2 \times 4 \text{ Bytes}Mmem=D2×4 Bytes：
- D=576 ⟹ Mmem≈1.26 MBD = 576 \implies M_{mem} \approx 1.26 \text{ MB}D=576⟹Mmem≈1.26 MB（极轻量，轻松适配各类嵌入式 MCU / NPU）；
- D=2048 ⟹ Mmem≈16 MBD = 2048 \implies M_{mem} \approx 16 \text{ MB}D=2048⟹Mmem≈16 MB（边缘 SoC 如 RK3568 完全无压力）；
- D=4096 ⟹ Mmem≈64 MBD = 4096 \implies M_{mem} \approx 64 \text{ MB}D=4096⟹Mmem≈64 MB。
工程提示 ：对于超高维特征空间（如 D≥4096D \ge 4096D≥4096），若端侧 SRAM/DRAM 受到严苛限制，建议在 Stage 2 引入 PCA 投影主成分降维 或 低秩精度矩阵分解（Low-rank Precision Approximation） ，将维度压缩至 D≤1024D \le 1024D≤1024 以消除存储瓶颈。
六、 总结与适用场景
核心优势复盘
- 阻断统计量反传导致的闭环风险 ：明确"马氏距离本身可微"，但通过解耦设计完全规避了动态统计量参与反向传播引发的目标漂移 与求逆梯度爆炸。
- 突破高维小批次瓶颈：离线阶段引入严格 Ledoit-Wolf 收缩估计，彻底解决高维特征空间下协方差矩阵奇异与估计不准问题。
- 独立校准极高泛化 ：采用独立校准集 DcalD_{cal}Dcal 拟合全局中心 μD\mu_DμD 与阈值 TTT，避免训练集过拟合。
- 极轻量边缘部署 ：在线阶段仅需 O(D2)O(D^2)O(D2) 级别的矩阵运算，无在线更新，天然适配低算力嵌入式芯片长周期稳定运行。
适用场景
- 工业视觉缺陷检测（如 PCB 板瑕疵、金属表面划痕等）；
- 旋转机械振动/声音异常检测（如风机、轴承故障预警）；
- 设备状态时序监控（如压力、温度、电流异常波动分析）。