TACTIC: 通过基于情境推理的表格异常检测导航未知
机器学习
2026-03-17 v1
摘要
表格数据异常检测长期以来是无监督学习中的一个重要难题，目前深度学习模型仍面临挑战。最近，情境学习（in-context learning）作为一种新范式，正将注意力从任务特定优化转向大规模预训练，以创建跨数据集通用的基础模型。虽然基于情境的模型（如 TabPFN）在监督问题上表现良好，但其学习的基于分类的先验条件可能难以直接应用于异常检测。本文研究情境模型用于异常检测，表明针对异常检测的无监督扩展表现出不稳定行为，尤其是在噪声或受污染的上下文中，此外还存在高计算成本。我们解决了这些挑战，提出 TACTIC（基于异常中心合成先验进行的预训练情境异常检测方法），它提供了关于异常的快速且数据依赖的推理，同时避免了数据集特定的调参。在与常规基于评分的方法相比，后者会产生需后处理（如阈值选择或排序启发式方法）的未校准异常评分，而本文的方法则作为判别式预测器进行训练，实现单次前向传播即可明确判定异常。通过在真实数据集上进行实验，我们检验了 TACTIC 在干净和噪声环境下的性能，包括不同异常率、不同异常类型下的表现，以及先验选择对检测质量的影响。我们的实验明确表明，此类专业的异常中心情境模型（如 TACTIC）在与其他任务特定方法之间具有高度竞争力。
引用
@article{arxiv.2603.14171,
title = {TACTIC for Navigating the Unknown: Tabular Anomaly deteCTion via In-Context inference},
author = {Patryk Marszałek and Tomasz Kuśmierczyk and Marek Śmieja},
journal= {arXiv preprint arXiv:2603.14171},
year = {2026}
}