UniOD：面向多样化领域的通用异常检测模型

异常检测（OD）是一种区分数据集中内点和离点且完全无标签的数据集的关键技术，在科学与工程中发挥着重要作用。虽然已有许多见解导向的 OD 方法，但大多数方法需要繁琐的超参数调优（这在无监督学习中是一个挑战），并且需要为每个任务或数据集进行高昂的模型训练。在本工作中，我们提出了 UniOD，一个通用 OD 框架，利用带标签的数据集训练单个模型，使其能够检测来自不同特征维度和异构特征空间的不同领域的数据集中的异常点。具体而言，UniOD 通过构建和分解多尺度点态相似度矩阵来提取跨不同数据集的统一且可比较的特征。随后采用图神经网络同时捕获数据集内部和数据集之间的信息，并将异常检测任务表述为节点分类任务。因此，一旦训练完成，UniOD 即可在无需进一步模型/超参数选择和参数优化的情况下，从 diverse 领域的数据集中识别异常点，大幅提高了实际应用中的便捷性和准确性。更重要的是，我们为 UniOD 的有效性提供了理论保证，与数值结果一致。我们在 30 个基准 OD 数据集上对 UniOD 进行评估，针对 17 个基线方法，展示了其有效性和优越性。我们的代码已公开于 https://github.com/fudazhiaka/UniOD。