从零到英雄：面向表格异常检测的零样态基础模型
机器学习
2026-02-04 v1
摘要
异常检测（OD）在实际中广泛应用；但由于缺乏标记异常样本，其在新任务上的有效部署受阻，使算法和超参数选择变得异常困难。基础模型（FMs）已改变机器学习格局，OD亦不例外：Shen等人（2025）引入了FoMo-0D，这是首个针对OD的基础模型，实现了对众多基准的卓越性能。本工作引入OUTFORMER，通过（1）合成先验的混合以及（2）自演化课程训练来推进FoMo-0D。OUTFORMER仅在合成标记数据集上进行预训练，能够通过将训练数据作为上下文输入来推断新任务的测试标签。推理快速且零-shot，仅需前向传播，不需要标记异常。凭借上下文学习，它无需额外工作——无需OD模型训练或专属模型选择——实现真正的即插即用部署。OUTFORMER在AdBench等显要基准上实现了最先进性能，同时我们引入的两个新型大规模OD基准（包含超过1,500个数据集）上也表现优异，同时保持了快速推理速度。
引用
@article{arxiv.2602.03018,
title = {From Zero to Hero: Advancing Zero-Shot Foundation Models for Tabular Outlier Detection},
author = {Xueying Ding and Haomin Wen and Simon Klütterman and Leman Akoglu},
journal= {arXiv preprint arXiv:2602.03018},
year = {2026}
}
备注
37 pages