用于表格数据异常检测的扩散调度去噪自编码器
机器学习
2025-08-04 v1
摘要
表格数据异常检测因复杂特征互作和异常样本稀缺而具备挑战性。去噪自编码器依赖固定幅度噪声，难以适应多样数据分布；扩散模型引入调度噪声和迭代去噪，却缺乏显式重建映射。我们提出扩散调度去噪自编码器（DDAE），将扩散噪声调度和对比学习集成到编码过程中以提升异常检测性能。我们在 ADBench 的 57 个数据集上评估了 DDAE。在半监督设置下该方法优于现有方法，在无监督设置下实现可竞争的成绩，PR-AUC 提升最高可达 65%（9%），ROC-AUC 提升 16%（6%）。我们观察到，较高噪声水平有助于无监督训练，而较低噪声和线性调度在半监督设置下最为 optimal。这些发现凸显了在表格异常检测中采用原则化噪声策略的重要性。
引用
@article{arxiv.2508.00758,
title = {Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data},
author = {Timur Sattarov and Marco Schreyer and Damian Borth},
journal= {arXiv preprint arXiv:2508.00758},
year = {2025}
}
备注
22 pages, 16 figures, 7 tables, preprint version