论文
TaskBridge：通过虚拟任务桥接无监督表格异常检测和上下文学习
TaskBridge: Bridging Unsupervised Tabular Anomaly Detection and In-Context Learning via Virtual Tasks
摘要
无监督表格异常检测 (TAD) 旨在使用正常训练样本识别表格数据中的异常行。虽然传统方法依赖于特定于数据集的训练和配置搜索，但最近的表格基础模型（TFM）可以通过上下文学习对未见过的数据集进行零样本异常检测。然而，大多数基于 TFM 的方法需要从头开始进行特定于异常的预训练，这使得检测本质上依赖于合成的 TAD 特定先验，并且更新成本高昂。相反，一些方法将预训练的通用 TFM 用于 TAD 以避免这种负担，但依赖于具有限制性异常归纳偏差的计算昂贵的公式。在这项工作中，我们引入了 TaskBridge，这是一个新框架，通过构建虚拟监督任务，将异常检测直接重新构建为 TFM 的监督上下文推理，从而有效地将预训练的通用 TFM 重新用于无监督 TAD。由此产生的虚拟任务诱导预测结构，在该结构下正常查询及其目标对获得高支持，而异常往往违反诱导结构并获得较低支持，从而提供直接的异常证据。在 790 个真实世界数据集中，TaskBridge 始终优于 30 个基线，包括最先进的基于 TFM 的方法，无需针对异常的 TFM 预训练或针对数据集的模型优化。