潜在雕塑：用于零样本泛化的流形学习方法在分布外异常检测中的应用
摘要
监督式深度学习在高维表格领域的关键漏洞是“泛化崩溃”：模型在已知训练分布周围形成精确的决策边界，但在遇到分布外（OOD）数据时会 catastrophic 失败。为克服这一问题，我们提出了 Latent Sculpting（潜在雕塑），一种分层的两阶段表示学习架构，旨在在密度估计之前强制执行明确的结构边界。在第一阶段，使用我们新颖的二进制潜在雕塑损失训练基于 Transformer 的表格编码器。该目标显式地将良好网络流量压缩到密集的低熵超球中，同时对异常模式强制执行严格的几何最小距离间隙。在第二阶段，Masked Autoregressive Flow（MAF）将此结构优化的流形映射到计算确切概率异常阈值。我们在严格的零样本协议下评估了该方法，故意不包含复杂攻击类以测试真正的 OOD 泛化。在三个随机初始化种子的平均结果中，该框架在已知签名上保持近乎完美的分类（F1 = 0.980 +/- 0.000），同时实现了 0.867 +/- 0.021 的整体零样本 OOD F1 分数和 0.913 +/- 0.010 的 AUROC，在 85 百分位阈值下。最突出的是，该模型在“潜入”攻击中实现了 78.7% 的平均召回率（最高达 97.2%），以及在低体积 DoS 变体上的超过 94% 召回率——这些是分布转移复杂场景，传统监督和非监督基线在此类情形下历史性地几乎完全检测失败。这些实验结果表明，显式地将拓扑流形结构化与概率密度估计解耦，建立了一种高度稳定且可扩展的针对零日网络威胁的防御机制。
关键词
引用
@article{arxiv.2512.22179,
title = {Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection},
author = {Rajeeb Thapa Chhetri and Saurab Thapa and Avinash Kumar and Zhixiong Chen},
journal= {arXiv preprint arXiv:2512.22179},
year = {2026}
}
备注
8 pages, 3 figures. Code available at: https://github.com/Rajeeb321123/Latent_sculpting_using_two_stage_method