采用先验数据拟合网络进行表格异常检测

虽然深度特征改变了图像和视频中的异常检测，但它们对表格数据的影响不太大，部分原因是强深度表示的可用性有限。最近，先验数据拟合网络（PFN）已成为表格数据表示的有前途的来源。在这项工作中，我们研究了如何调整和利用 PFN 表示来进行异常检测。这个问题比看起来更难。在部署之前没有可用的异常情况，因此模型参数无法在监督下进行调整，并且定义正常行为的参考集本身可能包含它应该揭示的异常情况。我们使用冻结的 TabPFN 特征开始我们的研究。根据每个样本到特征空间中最近邻居的距离对每个样本进行评分已经给出了很好的结果。我们确定要使用哪些层以及适合该任务的特征提取程序。接下来，为了进一步提高性能，我们使用参考集对模型进行微调，以便得到的特征更好地将正常样本与异常样本分开。在 ADBench 基准测试中，我们的微调免费方法 (ZEN) 达到了比每个基线更高的平均 AUROC，并且我们的微调方法 (FOCUS) 在此基础上进一步改进。我们的方法也推广到 PFN 模型。