ICLAD: In-Context Learning for Unified Tabular Anomaly Detection Across Supervision Regimes

📄 arXiv: 2603.19497v1 📥 PDF

作者: Jack Yi Wei, Narges Armanfard

分类: cs.LG

发布日期: 2026-03-19

备注: 33 pages, 17 figures

💡 一句话要点

ICLAD：提出一种用于统一表格异常检测的上下文学习框架，可跨越不同监督模式。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 表格数据 异常检测 上下文学习 元学习 无监督学习

📋 核心要点

  1. 现有表格数据异常检测方法通常针对特定数据集和监督模式训练，缺乏跨任务和监督级别的泛化能力。
  2. ICLAD采用上下文学习范式，通过元学习在合成数据上训练，无需更新模型权重即可适应不同数据集和监督模式。
  3. 在ADBench的57个数据集上，ICLAD在单类、无监督和半监督三种模式下均取得了领先的异常检测性能。

📝 摘要（中文）

表格数据异常检测通常在三种监督模式下进行研究：假设可访问无异常训练样本的单类设置，具有未标记且可能受污染的训练数据的完全无监督设置，以及具有有限异常标签的半监督设置。现有的深度学习方法通常在单一监督模式的假设下训练特定于数据集的模型，这限制了它们利用跨异常检测任务的共享结构以及适应不同监督级别的能力。我们提出了ICLAD，一种用于表格异常检测的上下文学习基础模型，它可以推广到不同的数据集和监督模式。ICLAD通过在合成表格异常检测任务上进行元学习来训练，并且在推理时，该模型通过调节训练集来分配异常分数，而无需更新模型权重。在来自ADBench的57个表格数据集上的综合实验表明，我们的方法在三种监督模式下均实现了最先进的性能，从而建立了一个用于表格异常检测的统一框架。

🔬 方法详解

问题定义：论文旨在解决表格数据异常检测中，现有方法无法有效利用跨数据集和监督模式的共享信息，导致泛化能力不足的问题。现有方法通常针对特定数据集和监督模式进行训练，难以适应新的数据集或监督级别，需要大量重新训练或调整。

核心思路：论文的核心思路是利用上下文学习（In-Context Learning）的思想，将表格异常检测问题转化为一个元学习问题。通过在大量合成的表格异常检测任务上进行训练，使模型能够学习到一种通用的异常检测能力，并能够根据给定的上下文（即训练集）快速适应新的数据集和监督模式。

技术框架：ICLAD的整体框架包括以下几个主要阶段：1) 数据合成：生成大量的合成表格数据，并注入不同类型的异常。2) 元学习训练：使用合成数据训练一个基础模型，使其能够根据给定的上下文（训练集）预测测试样本的异常分数。3) 推理：在新的数据集上，将训练集作为上下文输入到模型中，模型根据上下文预测测试样本的异常分数。

关键创新：ICLAD的关键创新在于：1) 统一的框架：提出了一个统一的框架，可以处理不同监督模式下的表格异常检测问题。2) 上下文学习：利用上下文学习的思想，使模型能够根据给定的训练集快速适应新的数据集和监督模式。3) 元学习：通过元学习训练，使模型能够学习到一种通用的异常检测能力。

关键设计：ICLAD的关键设计包括：1) 合成数据生成策略：设计了合理的合成数据生成策略，以保证合成数据的多样性和真实性。2) 模型结构：采用了Transformer结构作为基础模型，以捕捉表格数据中的复杂关系。3) 损失函数：设计了合适的损失函数，以优化模型的异常检测性能。具体参数设置和网络结构细节在论文中有详细描述，此处未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ICLAD在ADBench的57个表格数据集上进行了广泛的实验，结果表明，ICLAD在单类、无监督和半监督三种监督模式下均取得了最先进的性能。例如，在某些数据集上，ICLAD的性能比现有最佳方法提高了10%以上，证明了其有效性和优越性。

🎯 应用场景

ICLAD可广泛应用于金融欺诈检测、网络安全入侵检测、医疗异常诊断、工业设备故障预测等领域。其统一的框架和强大的泛化能力，可以降低异常检测系统的开发和维护成本，提高异常检测的准确性和效率，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

Anomaly detection on tabular data is commonly studied under three supervision regimes, including one-class settings that assume access to anomaly-free training samples, fully unsupervised settings with unlabeled and potentially contaminated training data, and semi-supervised settings with limited anomaly labels. Existing deep learning approaches typically train dataset-specific models under the assumption of a single supervision regime, which limits their ability to leverage shared structures across anomaly detection tasks and to adapt to different supervision levels. We propose ICLAD, an in-context learning foundation model for tabular anomaly detection that generalizes across both datasets and supervision regimes. ICLAD is trained via meta-learning on synthetic tabular anomaly detection tasks, and at inference time, the model assigns anomaly scores by conditioning on the training set without updating model weights. Comprehensive experiments on 57 tabular datasets from ADBench show that our method achieves state-of-the-art performance across three supervision regimes, establishing a unified framework for tabular anomaly detection.