探究用于表格异常检测的掩码感知原型学习

旨在识别偏离样本的表格异常检测在各种现实世界应用中至关重要，例如医疗疾病识别、金融欺诈检测、入侵监控等。尽管最近基于深度学习的方法取得了有竞争力的性能，但这些方法存在表示纠缠和缺乏全局相关性建模的问题，这阻碍了异常检测性能。为了解决这个问题，我们将掩码建模和原型学习结合到表格异常检测中。核心思想是通过在投影空间内进行解耦表示学习来设计可学习的掩码，并将正常依赖性提取为显式的全局原型。具体而言，整体模型包含两部分： 在编码期间，我们在数据空间和具有正交基向量的投影空间中执行掩码建模，以学习共享的解耦正常模式； 在解码期间，我们并行解码多个掩码表示以进行重建，并学习关联原型以提取正常特征相关性。我们的提议源于分布匹配视角，其中投影空间学习和关联原型学习都被表述为最优传输问题，并利用校准距离来细化异常分数。在 20 个表格基准上的定量和定性实验证明了我们模型的有效性和可解释性。