当正态性迁移：面向无监督表格异常检测的风险感知测试时适应方法

无监督表格异常检测方法通常在训练阶段从正常样本中学习特征模式，然后在测试阶段识别偏离这些模式的样本为异常。然而，在实际场景中，训练数据的规模和多样性有限，导致对正常模式的表征不完整。虽然测试时适应提供了一种补救方案，但其仅关注测试时优化，忽略了与训练阶段学习之间的关键协同作用。此外，对无标签测试数据的盲目适应不可避免地导致异常污染，阻碍了模型充分发挥在正常样本和异常样本之间区分能力。为此，我们提出了RTTAD（Risk-aware Test-time adaptation method for unsupervised Tabular Anomaly Detection），一种面向无监督表格异常检测的风险感知测试时适应方法。RTTAD通过一种协同式双阶段机制全面应对正态性迁移问题。在训练阶段，采用协作双任务学习捕获多层次特征表示，以建立稳健的正常先验。在测试阶段，引入测试时对比学习（TTCL）模块，通过 selectively 更新模型来显式考虑适应风险，即仅使用高置信度的伪正常样本来更新模型，而约束异常样本。此外，TTCL 融合了基于 k 近邻的对比目标，以细化嵌入分布，从而进一步增强模型的判别能力。在 15 个表格数据集上的大量实验表明，RTTAD 在整体检测性能方面实现了最先进的水平。