基于掩码扩散建模的异常检测
机器学习
2026-05-29 v1 人工智能
摘要
异常检测旨在识别偏离正常数据分布的样本，是许多安全关键应用的核心任务。然而，针对类别型、混合类型和离散序列数据开发有效的异常检测方法仍然具有挑战性且相对不被充分探索。掩码扩散模型通过学习从剩余可见上下文中恢复被掩码值，为建模此类数据提供了自然途径。本文提出基于掩码扩散模型的异常检测方法MaskDiff-AD，这是一种仅基于正常数据训练的前向扩散方法。给定测试样本后，MaskDiff-AD通过重建随机掩码坐标的难易度构建异常得分，得到一种直接作用于离散状态空间的内容敏感得分，无需逆时间采样。我们还开发了MaskDiff-AD的非参数变体，并通过在固定检测阈值下刻画Type I和Type II错误，提供了理论保证。在14个类别型和混合类型表格数据集（来自ADBench和UADAD）以及4个文本异常检测数据集（来自NLP-ADBench）上的实验表明，MaskDiff-AD在经典方法、扩散基方法和最新表格/文本异常检测基准方法之间取得有竞争力的性能。值得注意的是，MaskDiff-AD获得了最佳整体平均排名，超越了所有12个表格基准方法。
引用
@article{arxiv.2605.30046,
title = {Masked Diffusion Modeling for Anomaly Detection},
author = {Lixing Zhang and Yuchen Liang and Liyan Xie},
journal= {arXiv preprint arXiv:2605.30046},
year = {2026}
}