研究人员开发了新的方法来适配预训练网络（PFNs）用于表格数据中的异常检测。该研究最初使用固定的TabPFN特征，发现通过样本在特征空间中与最近邻的距离进行评分能产生强有力的结果。通过使用参考集对模型进行微调，可以进一步改进性能，使特征能够更好地区分正常样本和异常样本。这些方法分别命名为ZEN（无需微调）和FOCUS（需要微调），在ADBench基准测试中均优于现有基线，即使参考数据包含未检测到的异常也表现出有效性。 AI
影响 这些方法可以提高各种表格数据集的异常检测能力，可能影响欺诈检测和系统监控等领域。
排序理由 该集群描述了一篇研究论文，详细介绍了使用预训练网络进行表格异常检测的新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
While deep features have transformed anomaly detection in images and video, their impact on tabular data has been less substantial, partly due to the limited availability of strong deep representations. Recently, prior-data fitted networks (PFNs) have emerged as a promising sourc…
While deep features have transformed anomaly detection in images and video, their impact on tabular data has been less substantial, partly due to the limited availability of strong deep representations. Recently, prior-data fitted networks (PFNs) have emerged as a promising sourc…