研究人员开发了DiSPaT,一个新颖的自博弈微调框架,旨在利用大语言模型(LLMs)增强表格数据中的异常检测能力。该方法利用f散度最小化来减小真实正常数据与模型生成样本之间的分布差距。DiSPaT的交替优化过程包括一个生成合成样本的策略和一个区分真实数据与合成样本的判别器,从而提高模型对正常性的理解。实验表明,DiSPaT在各种基准测试中均优于现有的基于LLM、深度学习和经典的无监督方法。 AI
影响 这项研究为提高LLM在表格数据任务上的性能提供了一种新方法,有望增强其在现实世界异常检测场景中的实用性。
排序理由 该集群包含一篇详细介绍使用LLM进行异常检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →