RangeAD：快速模型内异常检测
机器学习
2026-03-19 v1 人工智能
摘要
在实际应用中，机器学习方法常常需要异常检测（AD）来过滤输入或检测分布迁移。通常，这通过在主模型之外运行一个独立的 AD 模型来实现。然而，这种分离方式忽略了主模型已经编码了大量关于目标分布信息的事实。在本文中，我们引入一种名为模型内异常检测（On-Model AD）的设置，显式利用对相关机器学习模型的访问。在这种设置下，我们提出了 RangeAD—an algorithm that utilizes neuron-wise output ranges derived from the primary model。RangeAD 在高维任务上实现了卓越的性能，同时显著降低了推理成本。我们的结果表明，模型内异常检测设置作为高效异常检测实用框架的潜力。
引用
@article{arxiv.2603.17795,
title = {RangeAD: Fast On-Model Anomaly Detection},
author = {Luca Hinkamp and Simon Klüttermann and Emmanuel Müller},
journal= {arXiv preprint arXiv:2603.17795},
year = {2026}
}
备注
16 pages, 5 figures