LLM 作为检测器：用于表格异常检测的上下文学习方法

表格数据中的异常检测具有挑战性，因为异常样本通常是由于违反跨特征依赖性而不是简单的边际偏差而出现的。现有的检测器依赖于几何或重建信号，而先前基于 LLM 的方法主要使用正常样本微调 LLM 或生成合成异常。我们提出了 LLM-Detector，这是一个利用 LLM 的上下文学习能力进行结构化、提示条件评分合成的框架，使 LLM 能够从结构化的正常状态知识中导出异常检测逻辑。具体来说，正常的训练数据被转换为统计摘要、因果依赖性和提炼的原型，这些原型被组织成代码生成的提示。由此产生的评分引擎评估统计偏差、结构不一致和基于密度的异常，然后计算每个测试样本的异常分数。我们在 24 个表格数据集上评估 LLM-Detector，并与 15 个 SOTA 基线进行比较。结果显示，混合类型和仅连续设置都有一致的改进。此外，这种设计消除了对 LLM 微调 或神经网络训练的需要，从而降低了计算成本并在现实世界的表格系统中实现了实际的异常检测。