Deep SVDD
一种基于深度学习的单类分类方法，训练神经网络将正常样本映射到特征空间中心点附近，异常样本推离中心，仅用正常数据训练，适合检测未见异常
时间轴 (近 90 天)
在四种疾病场景下，Deep SVDD在测试的所有有限CPU能量预算内，均取得了最高的平均AUC。
在NPU上，1 mJ能量预算下Deep SVDD领先，但在10 mJ和100 mJ预算下，蒙特卡洛Dropout的平均表现略高。
两阶段系统（Deep SVDD + 窄型CPU分类器）将“正确分类或正确拒绝”的输入比例提升了15.0–19.4个百分点，相比无拒绝机制的分类器有显著改进。
在每种方法回顾性选择的测试准确率峰值处，Deep SVDD两阶段系统的每输入估计能耗为1.93–6.99 mJ；蒙特卡洛Dropout为52.53 mJ；深度集成为8.76–17.51 mJ。
Deep SVDD是一种基于深度学习的单类分类方法，仅使用正常数据训练，推理时样本到中心的距离超过阈值即被判定为异常。
全部知识事实 (5)
在四种疾病场景下，Deep SVDD在测试的所有有限CPU能量预算内，均取得了最高的平均AUC。
50%待验证在NPU上，1 mJ能量预算下Deep SVDD领先，但在10 mJ和100 mJ预算下，蒙特卡洛Dropout的平均表现略高。
50%待验证两阶段系统（Deep SVDD + 窄型CPU分类器）将“正确分类或正确拒绝”的输入比例提升了15.0–19.4个百分点，相比无拒绝机制的分类器有显著改进。
50%待验证在每种方法回顾性选择的测试准确率峰值处，Deep SVDD两阶段系统的每输入估计能耗为1.93–6.99 mJ；蒙特卡洛Dropout为52.53 mJ；深度集成为8.76–17.51 mJ。
50%待验证Deep SVDD是一种基于深度学习的单类分类方法，仅使用正常数据训练，推理时样本到中心的距离超过阈值即被判定为异常。
50%