AdBench
PulseAugur coverage of AdBench — every cluster mentioning AdBench across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
RIFT：引入新的确定性异常检测方法
研究人员引入了RIFT（相对隔离树），一种新颖的确定性异常检测方法。该技术生成最小生成树，并根据每个点视角下树边的大小来对点进行评分。对于一维数据，RIFT精确匹配了闭式隔离森林的极限；而在更高维度上，它提供了一种无参数的泛化方法，对密度变化和聚类异常具有鲁棒性，这与传统的隔离森林不同。
-
新的正则化技术解决异常检测中的收敛崩溃问题
研究人员发现了一种在某些异常检测模型中称为“收敛崩溃”的现象。当以最小化均方误差损失为目标的模型在改进过程中，检测异常的能力反而下降时，就会发生这种情况。该问题源于模型学会了即使对于异常数据也进行跟踪，从而消除了残差信号。为解决此问题，该论文提出了核锚定局部性正则化（KAR），它通过惩罚与训练目标核加权平均值的偏差来约束模型的预测。该方法旨在防止崩溃并增强异常检测能力。
-
新方法适配预训练网络用于表格异常检测
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。
-
新的DIFFINT方法提供可解释的异常检测
研究人员开发了一种名为DIFFINT的新异常检测方法，该方法在自编码器中使用可微区间瓶颈。这种方法允许模型识别数值数据中的异常，同时通过将潜在空间构建为人类可读的超矩形来提供可解释性。DIFFINT在ADBench基准测试中取得了最先进的性能，优于其他22种方法，并且是表现最佳组中唯一可解释的检测器。
-
新的DIFFINT自编码器提供可解释的异常检测
研究人员开发了DIFFINT，这是一种新颖的自编码器，专为数值数据的可解释异常检测而设计。与传统的黑盒模型不同，DIFFINT将潜变量瓶颈构建为一组端到端学习的软轴对齐区间。这种设计允许每个潜变量单元在特征空间中代表一个人类可读的超矩形，从而深入了解哪些特征范围导致样本被标记为异常。在对48个ADBench基准的评估中，DIFFINT取得了卓越的性能，优于22个基线，并成为表现最佳组中唯一的解释性检测器。
-
新理论解释异常值检测中的内点记忆效应 · arXiv 论文
研究人员开发了一个理论框架来解释内点记忆（IM）效应，即深度学习模型在学习异常模式之前先学习正常数据模式的现象。通过研究一个简单的自编码器，该研究展示了模型如何在早期训练阶段记忆内点而未能记忆异常点。研究结果为改进异常值检测方法提供了实用指南，包括数据预处理和参数初始化，从而在 ADBench 数据集上取得了最先进的性能。
-
扩散模型在各类数据异常检测方面取得进展
研究人员正在探索使用掩码扩散模型对表格数据、文本和集成电路（IC）测量等各种数据类型进行异常检测。这些模型通过评估重构数据掩码部分数据的难度来学习识别与正常数据分布的偏差。一种提出的方法 MaskDiff-AD 在表格和文本数据集上表现出有竞争力，优于现有基线。另一种方法 Diffuse to Detect 利用扩散 Transformer 进行 IC 测试中的无监督异常检测，在具有极端类别不平衡的工业数据上取得了最先进的结果。另一项…
-
MacrOData基准套件为表格异常检测提供数千个数据集
研究人员推出了MacrOData，这是一个旨在改进表格数据异常检测方法评估的新基准套件。该套件通过包含超过2400个数据集，将现有基准（如AdBench）进行了显著扩展，这些数据集被分为现实世界语义异常、统计异常和合成数据。MacrOData旨在为评估各种异常检测技术（包括经典模型、深度模型和基础模型）提供一个更全面、统计上更稳健的平台。该基准套件及其相关的在线排行榜已公开发布，以支持未来的研究。