uLEAD-TabPFN：使用 TabPFN 进行不确定性感知的基于依赖关系的异常检测

由于高维度、复杂的特征依赖性和异构噪声，表格数据中的异常检测具有挑战性。许多现有方法依赖于基于邻近度的线索，并且可能会错过由于违反复杂特征依赖性而引起的异常。基于依赖关系的异常检测通过将异常识别为违反功能之间的依赖关系，提供了一种有原则的替代方案。然而，现有方法通常难以对此类依赖关系进行鲁棒建模，并难以扩展到具有复杂依赖结构的高维数据。为了应对这些挑战，我们提出了 uLEAD-TabPFN，这是一种基于先验数据拟合网络（PFN）构建的基于依赖性的异常检测框架。 uLEAD-TabPFN 将异常识别为违反学习的潜在空间中的条件依赖性，利用冻结的 PFN 进行依赖性估计。与不确定性感知评分相结合，所提出的框架能够实现稳健且可扩展的异常检测。在 ADBench 的 57 个表格数据集上进行的实验表明，uLEAD-TabPFN 在中维和高维设置中实现了特别强大的性能，达到了最高的平均排名。在高维数据集上，uLEAD-TabPFN 将平均 ROC-AUC 比平均基线提高了近 20%，比最佳性能基线提高了约 2.8%，同时与最先进的方法相比，保持了整体优越的性能。进一步的分析表明，uLEAD-TabPFN 提供了互补的异常检测能力，在许多现有方法难以实现的数据集上实现了强大的性能。