Harbin Engineering University

多变量时序异常检测长期依赖在目标域小数据上从零训练的图检测器，学到的传感器拓扑易被伪相关带偏，也无法复用预训练图模型的关系先验。Gfm4Mtsad把冻结的图基础模型包在三个外围模块里：SICA对齐时序特征与正常连接先验并补回投影丢失的细节，MAPS用保留残差的局部依赖破坏合成近边界伪异常，TGEC只在分数上尾重排多粒度证据。在MSL P-15、SMAP T-3、SMD 1-1三个真实数据集和AnomalyGFM、OwlEye两个骨干上，该适配在多数指标上取得最好或次好成绩。

多变量时序异常检测长期依赖在目标域小数据上从零训练的图检测器，学到的传感器拓扑易被伪相关带偏，也无法复用预训练图模型的关系先验。Gfm4Mtsad把冻结的图基础模型包在三个外围模块里：SICA对齐时序特征与正常连接先验并补回投影丢失的细节，MAPS用保留残差的局部依赖破坏合成近边界伪异常，TGEC只在分数上尾重排多粒度证据。在MSL P-15、SMAP T-3、SMD 1-1三个真实数据集和AnomalyGFM、OwlEye两个骨干上，该适配在多数指标上取得最好或次好成绩。

数字全息干涉测量中的单帧条纹图分析，过去依赖人工设定频域滤波窗，条纹被噪声、离焦或过曝破坏时难以选对参数。自适应频谱滤波网络把傅里叶域滤波做成可学习的注意力权重，对每张输入图动态选择+1阶频谱内容，并用前向模型合成带噪声与过曝的仿真数据训练。在400个仿真测试样本上，其像素误差低于调好的傅里叶变换法与端到端ResUNet；仅在仿真数据上训练后，对未见实验条纹图的重建伪影和离群点少于手工调参的傅里叶方法。

数字全息干涉测量中的单帧条纹图分析，过去依赖人工设定频域滤波窗，条纹被噪声、离焦或过曝破坏时难以选对参数。自适应频谱滤波网络把傅里叶域滤波做成可学习的注意力权重，对每张输入图动态选择+1阶频谱内容，并用前向模型合成带噪声与过曝的仿真数据训练。在400个仿真测试样本上，其像素误差低于调好的傅里叶变换法与端到端ResUNet；仅在仿真数据上训练后，对未见实验条纹图的重建伪影和离群点少于手工调参的傅里叶方法。

作者提出残差优势（RA）：把教师与学生的概率残差当作有界的一步奖励，减去学生策略下的状态价值形成优势，再在每条回答内中心化后加到验证器优势上，使验证器决定回答整体好坏、教师只在步骤间重分配信用；在Qwen3-1.7B/4B学生与Qwen3-8B教师上，RA配合GRPO或REINFORCE++在三个数学基准的24项三种子对比中全部提升，宏观Avg@8提高1.7–3.6分、Pass@8提高3.9–6.3分，均超过纯教师OPD；Co-RA用验证器优势在同一批学生数据上更新教师LoRA，再增1.0–1.5分Avg@8。

作者提出残差优势（RA）：把教师与学生的概率残差当作有界的一步奖励，减去学生策略下的状态价值形成优势，再在每条回答内中心化后加到验证器优势上，使验证器决定回答整体好坏、教师只在步骤间重分配信用；在Qwen3-1.7B/4B学生与Qwen3-8B教师上，RA配合GRPO或REINFORCE++在三个数学基准的24项三种子对比中全部提升，宏观Avg@8提高1.7–3.6分、Pass@8提高3.9–6.3分，均超过纯教师OPD；Co-RA用验证器优势在同一批学生数据上更新教师LoRA，再增1.0–1.5分Avg@8。