SetAD：基于情境集合的半监督异常学习
机器学习
2025-12-10 v1
摘要
半监督异常检测 (AD) 通过有效利用有限的标记数据展现出巨大的潜力。然而，现有方法通常围绕对单个点或简单配对进行评分，这种{点或配对中心}的视角不仅忽视了异常的情境本质——异常由其偏离整体群体的程度定义——也未能利用来自集合组合的丰富监督信号。结果是，这些模型难以挖掘数据中高阶相互作用，这对于学习判别性表示至关重要。为此，我们提出SetAD，一种将半监督AD重新框定为集合级异常检测任务的新框架。SetAD采用基于注意力的集合编码器，通过分级学习目标进行训练，模型学习对整个集合内部异常程度的量化。该方法直接建模定义异常的复杂群组级相互作用。此外，为提升鲁性和评分校准，我们提出情境校准异常评分机制，通过在多个多样化情境集合中聚合其在同伴行为中的归一化偏差来评估单个点的异常得分。大量实验表明，SetAD在10个真实数据集上显著优于最先进的模型。值得注意的是，我们展示了该模型性能随集合规模的增加而持续提升，为集合化异常检测框架提供了有力的实证依据。
引用
@article{arxiv.2512.07863,
title = {SetAD: Semi-Supervised Anomaly Learning in Contextual Sets},
author = {Jianling Gao and Chongyang Tao and Xuelian Lin and Junfeng Liu and Shuai Ma},
journal= {arXiv preprint arXiv:2512.07863},
year = {2025}
}
备注
9 pages