深度直推式异常检测

异常检测（OD）是机器学习中的核心挑战之一。直推式学习在训练时利用测试数据，已在相关的机器学习任务中展现出潜力，但在现代异常检测中仍 largely 未被探索。我们提出了 Doust，这是首个用于异常检测的端到端直推式深度学习算法，它显式地利用无标签测试数据来提升精度。在综合基准 ADBench 上，Doust 达到了平均 $89$ 的 ROC-AUC，以大约 $10$ 的优势超越了所有 21 个竞争对手。我们的分析指出了直推式异常检测的潜力与局限：虽然在有利条件下性能提升可以非常显著，但极低的污染率会阻碍性能的改善，除非数据集足够大。