arXiv cs.AI· Donghwan Kim, Junghun Phee, Hyunsoo Yoon·· 11 小时前AI 评分31
为何表格异常检测中反直觉似然行为很少出现？
Why Does Counterintuitive Likelihood Behavior Rarely Emerge in Tabular Anomaly Detection?
AI 导读
研究发现，深度生成模型在图像领域常给异常数据更高似然的反直觉现象，在表格数据中很少出现。作者提出领域无关的形式化定义，在 47 个表格数据集、13 个基线模型及 ADBench 的 10 个 CV/NLP 嵌入数据集上验证该现象持续罕见，normalizing flow 的似然检测性能具竞争力。理论分析将差异归因于表格与图像数据在维度和特征相关性上的不同。
正文 · AI 翻译
摘要：以归一化流为代表、具有可处理似然的深度生成模型，为通过基于似然的评分进行异常检测提供了有效基础。我们证明，与图像领域不同——在图像领域中深度生成模型常对异常数据赋予更高的似然——这种反直觉行为在表格数据场景中很少出现。我们首先提出一种与领域无关的形式化表述，使得能够一致地检测和评估这一反直觉现象，从而弥补了先前工作中缺乏精确定义的不足。通过在 47 个表格数据集上与 13 个基线模型进行基准测试，以及在来自 ADBench 的 10 个 CV/NLP 嵌入数据集上进行的大量实验，我们表明该现象在一般表格数据中始终很少见，且归一化流的似然能够取得具有竞争力的异常检测性能。我们进一步提供了理论与实证分析，将这一差异归因于表格数据与图像数据在维度和特征相关性上的不同。因此，我们的结果表明，使用归一化流的基于似然的检测是表格异常检测的一种实用方法。
| 评论： | 53 页，11 张图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.09593 [cs.LG] |
| （或使用 arXiv:2602.09593v2 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2602.09593 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Donghwan Kim [查看邮箱]
[v1]
2026 年 2 月 10 日星期二 09:47:34 UTC（910 KB）
[v2]
2026 年 10 月 23 日星期五 06:39:06 UTC（905 KB）
来源：arXiv cs.AI · arxiv.org