FoMo X：面向异常检测基础模型的模块化解释信号
机器学习
2026-03-19 v1 人工智能
摘要
表格基础模型，特别是先验数据拟合网络（Prior-Data Fitted Networks，PFNs），已通过无监督零样本适应新数据集而革新化异常检测（OD）。然而，尽管这些模型具有预测能力，它们通常作为黑盒输出标量异常得分，缺乏对安全关键决策所需的运算性上下文。现有的事后解释方法往往在实际部署中计算昂贵，或未能捕捉零样本推断中固有的认识不确定性。本文引入FoMo-X，一个模块化框架，为OD基础模型提供内在、轻量级的诊断能力。我们利用冻结的预训练PFN主干网络已编码的丰富、上下文条件化关系信息的洞见。FoMo-X将辅助诊断头附加到这些嵌入上，使用与主干相同的生成式模拟先验进行离线训练。这使我们能够将计算密集型属性（如基于蒙特卡罗 dropout 的认识不确定性）蒸馏为确定性、单次推断。我们以两种新颖的头实现FoMo-X：一个严重性头将偏差离散为可解释的风险层级，一个不确定性头提供校准的置信度。广泛的在合成和真实基准（ADBench）上的评估表明，FoMo-X以高保真度恢复地面诊断信号且推理开销可忽略不计。通过弥合基础模型性能与操作解释性之间的差距，FoMo-X为可信赖、零样本异常检测提供了可扩展的路径。
引用
@article{arxiv.2603.17570,
title = {FoMo X: Modular Explainability Signals for Outlier Detection Foundation Models},
author = {Simon Klüttermann and Tim Katzke and Phuong Huong Nguyen and Emmanuel Müller},
journal= {arXiv preprint arXiv:2603.17570},
year = {2026}
}
备注
24 pages, 9 figures