چکیده
کارهای اخیر، مدلهای فضای حالت (SSMs) سبک مامْبا را برای کاربردهای تشخیص ناهنجاری در ویدیو بهکار گرفتهاند؛ بااینحال، رویکردهای موجود همچنان بهطور ضمنی از بافر کردن کلیپها یا پنجرهها استفاده میکنند، رابطهای نظری درباره چگونگی ارتباط حافظه زمانی با تأخیر تشخیص ارائه نمیدهند، و کارایی را تنها از طریق توان عملیاتی GPU اندازهگیری میکنند، نه بر بستر سختافزارهای لبهای که این روشها قصد هدفگیریشان را دارند. ما یک آشکارساز ناهنجاری جریانی علّیِ اکید (strictly causal) معرفی میکنیم که حالتی با اندازهی ثابت را در زمان O(1) و با حافظهی ثابت بهروزرسانی میکند، بدون نگاه به آینده و بدون بافر کردن کلیپ. هستهی زمانی آن یک بازگشت خطی فضای حالت قطری با دروازهی میرایی وابسته به ورودی و حالت است که از طریق پیشبینی توکن بعدی بهصورت خودنظارتی بر یک پیکرهی بصری ماسکشده آموزش میبیند. ما رابطهای بسته میان طیف میرایی بازگشت و کوتاهترین ناهنجاری قابل تشخیص قابلاطمینان استخراج میکنیم، سپس این نتایج را بهطور تجربی بر دادگان UCSD Ped2 و CUHK Avenue اعتبارسنجی میکنیم. تأخیر نشست (settling delay) که از مقدار میرایی پایهی آموختهشده (۵۷ تا ۵۹ فریم) پیشبینی میشود، بسیار بزرگتر از تأخیر تشخیص اندازهگیریشده (۱/۶ و ۱۸/۴ فریم) است؛ این نشان میدهد که آستانهی دروازهی رویداد، نه میرایی پایه، پاسخگویی سامانه را کنترل میکند. همچنین ما تأخیر و توان عملیاتی سرتاسری را مستقیماً بر سختافزار Apple M3 Pro گزارش میکنیم: ۰/۷۴ و ۰/۷۷ میلیثانیه برای هر فریم (بیش از ۱۳۰۰ فریم بر ثانیه)، و نه ارقام شبیهسازیشدهی GPU. بدون هیچ تنظیم دقیقی (fine-tuning)، این روش بر Ped2 و Avenue بهترتیب به AUC سطح فریم ۶۷/۹ درصد و ۷۰/۲ درصد دست مییابد که از مبانی پیشین SSM غیرعلّی در دقت عقبتر است. آزمایشهای حذفی (ablation) بر نرخ میرایی، اندازهی حالت و دروازهبندی نشان میدهد که نقش دروازهی وابسته به بازه، به اندازهی مجموعهداده بستگی دارد: برای مجموعهدادهی کوچک آموزشی Ped2 دقت را کاهش میدهد، اما برای مجموعهدادهی بزرگتر Avenue به بهبود آن کمک میکند. پر کردن این شکاف دقت و گسترش ارزیابی به یک مجموعهدادهی سوم بزرگتر، گامهای فوری بعدی بهشمار میروند.