IKKA：基于关键异常的 inversion 分类以实现稳健的视觉伺服

我们提出 IKKA（Inversion Classification via Critical Anomalies，即关键异常的 inversion 分类），这是一个以拓扑学为出发点的加权框架，用于在分布迁移情况下的稳健视觉伺服。不同于常规的异常值处理，IKKA 将极端点视为结构性信息性观测值：即那些小扰动可导致控制响应或类别分配发生定性不同变化的点。该方法将局部极值性、边界横截性和多尺度持久性融合为单个异常权重 $W(x) = E(x) \times T(x) \times M(x)$，用于调节边界区域不明确决策附近的控制更新。在 Raspberry Pi 4 上的 CPU-only 嵌入式视觉伺服管道中实现了 IKKA，并在正式和压力条件下进行了 230 次可重复实验评估。在涉及低照明和暂时性遮挡的压力情境下，IKKA 将 95 百分位侧向误差从 0.124 降至 0.094，降低 24%；同时将吞吐量从 20.0 提升至 24.8 Hz。非参数分析确认了大效应大小（Cliff's delta = 0.79）。