为何以深度生成模型进行表格异常检测时，似乎反直觉的现象极少出现？

具有可计算似然性且可解析计算的深度生成模型，以归一化流为例，为通过似然性评分进行异常检测提供了有效基础。我们展示，与在图像领域中深度生成模型频繁为异常数据分配更高似然性不同，在表格设置中，这种反直觉行为出现的次数远少于在图像领域。我们首先引入一种无域依赖的表述，使能够一致地检测和评估这种反直觉现象，弥补缺乏精确定义的不足。在47个表格数据集和10个CV/NLP嵌入数据集上的大量实验中，我们对比评估了13个基线模型，证明按照所定义的方式，针对一般表格数据，这一现象始终相当罕见。我们进一步从理论和实证角度探讨了这一现象，关注数据维度和特征相关性差异的作用。我们的结果表明，仅凭归一化流进行的似然性检测在表格领域提供了一种实用且可靠的异常检测方法。