FoMo-0D：用于零样态表格异常检测的基础模型
机器学习
2025-09-26 v4 人工智能
摘要
异常检测 (OD) 已有大量文献，因其在实际应用中具有广泛的应用前景。作为无监督任务，模型选择是缺乏标签监督下的关键瓶颈。尽管已有大量可调参数的 OD 算法，但缺乏针对无监督算法和超参数选择的系统方法，限制了其在实际中的有效应用。在本文中，我们提出了 FoMo-0D，这是一个用于零/0 -shot OD 的预训练基础模型，可绕过模型选择的瓶颈。经过在合成数据上预训练的 FoMo-0D 能够直接预测测试样本的 (异常/内在) 标签——无需标记数据，无需额外训练或超参数调优即可适用于新任务。针对 57 个真实数据集进行大量实验，对比 26 个基线方法，结果表明 FoMo-0D 表现极具竞争力；在统计上没有显著差异的情况下，超过了大多数基线方法，其中第二名方法也被优越。进一步地，FoMo-0D 在推理时间上效率很高，平均仅需 7.7 毫秒即可处理每个样本，至少比以前的方法快 7 倍。为促进未来研究，我们公开了数据合成和预训练实现，以及模型检查点，地址为 https://github.com/A-Chicharito-S/FoMo-0D。
引用
@article{arxiv.2409.05672,
title = {FoMo-0D: A Foundation Model for Zero-shot Tabular Outlier Detection},
author = {Yuchen Shen and Haomin Wen and Leman Akoglu},
journal= {arXiv preprint arXiv:2409.05672},
year = {2025}
}
备注
TMLR