PulseAugur
中
实时 05:21:30
English(EN) LLM as Detector: An In-context Learning Approach for Tabular Anomaly Detection

LLM与流匹配推动表格异常检测 · 2篇论文

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文探讨了表格数据异常检测的先进技术。第一篇论文“LLM作为检测器”提出了一个框架，该框架利用大型语言模型（LLM）进行上下文学习，从结构化的正常状态知识中推导出异常检测逻辑，在24个数据集上超越了15个最先进的基线，而无需对LLM进行微调。第二篇论文研究了使用流匹配的无监督异常检测，特别是在污染的训练数据下比较了时间条件收缩匹配（TCCM）与Forest-Flow，并强调了偏差和重构分数等异常评分函数在金融领域稳健性能中的关键作用。 AI

影响 这些论文引入了表格数据异常检测的新颖方法，有可能提高金融和其他数据密集型应用的准确性和效率。

排序理由 两篇在arXiv上发表的学术论文，详细介绍了表格异常检测的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

LLM与流匹配推动表格异常检测 · 2篇论文

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Tu Anh Hoang Nguyen, Dang Nguyen, Thuc Duy Le, Trung Le, Sunil Gupta ·

    LLM作为检测器：用于表格异常检测的上下文内学习方法

    arXiv:2608.19463v1 Announce Type: new Abstract: Anomaly detection in tabular data is challenging because abnormal samples often arise as violations of cross-feature dependencies rather than simple marginal deviations. Existing detectors rely on geometric or reconstruction signals…

  2. arXiv cs.LG TIER_1 English(EN) · Philip Konz, Tejaswini Medi, Margret Keuper ·

    使用流匹配在表格数据上进行无监督异常检测

    arXiv:2608.19801v1 Announce Type: new Abstract: Financial anomaly detection often relies on large unlabeled transaction logs, where anomalous samples may already be present during training. Such training-set contamination violates the clean-normal data assumption underlying many …

相关实体

相关话题