Universal Semantic Enhancement for Weakly Supervised Anomaly Detection

📄 arXiv: 2610.23765v1 📥 PDF

作者: Siyu Zhou, Yuqin Xie, Hao Yuan, Yingjie Zhou

分类: cs.LG

发布日期: 2026-10-16

备注: https://github.com/Simon-zsy/USE-AD

💡 一句话要点

提出基于通用语义增强的弱监督异常检测方法以解决标签稀缺问题

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

关键词: 弱监督学习 异常检测 表格数据 通用知识 领域特定知识 机器学习 数据挖掘

📋 核心要点

  1. 现有的弱监督异常检测方法在特征学习上存在不足，难以全面捕捉异常特征，且容易受到稀缺标签的影响。
  2. 本文提出了一种融合通用知识与领域特定知识的弱监督异常检测方法，通过原型条件调制机制有效整合两种特征。
  3. 在多个公共数据集上的实验结果显示，本文方法在仅有八个标记异常的情况下，显著优于其他竞争方法。

📝 摘要（中文）

弱监督异常检测在标签稀缺的应用中至关重要，尤其是在表格数据中，通常只有有限的标记异常样本可用。现有方法往往难以全面描述异常特征，并容易过拟合稀缺标签。为此，本文提出了一种基于通用语义增强的弱监督异常检测方法，融合了预训练表格基础模型的通用知识与目标数据集的领域特定知识。这两种知识相辅相成，通用语义描述了跨领域的表格数据模式，而领域特定特征则捕捉了目标数据集中正常与异常行为的内在分布。通过原型条件调制机制，有效整合这两种特征，从而提升异常检测性能。大量实验表明，在仅有八个标记异常的情况下，该方法优于现有竞争方法。

🔬 方法详解

问题定义：本文旨在解决在标签稀缺的情况下，如何有效进行弱监督异常检测的问题。现有方法往往只能学习到目标领域的特征，难以全面描述异常特征，且容易过拟合稀缺的标签数据。

核心思路：本文的核心思路是通过融合预训练的通用表格模型的知识与目标数据集的领域特定知识，来增强异常检测的能力。通用知识提供了跨领域的模式描述，而领域特定知识则捕捉了目标数据集的正常与异常行为的分布特征。

技术框架：整体架构包括两个主要模块：通用知识模块和领域特定知识模块。通用知识模块通过预训练模型提取表格数据的通用特征，领域特定知识模块则通过目标数据集学习特征。随后，利用原型条件调制机制将两者有效整合。

关键创新：本文的主要创新在于提出了原型条件调制机制，能够有效地将通用特征与领域特定特征结合，增强了异常检测的效果。这一机制与现有方法的主要区别在于其对特征的动态融合能力。

关键设计：在模型设计中，采用了特定的损失函数来平衡通用知识与领域特定知识的贡献，同时在网络结构上引入了条件调制层，以实现特征的动态调整和融合。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在多个公共数据集上的实验结果表明，本文提出的方法在训练过程中仅使用八个标记异常时，检测性能显著优于其他竞争方法，提升幅度达到XX%（具体数据待补充）。这一结果验证了通用语义增强在弱监督异常检测中的有效性。

🎯 应用场景

该研究在医疗诊断、金融欺诈检测和工业监控等领域具有广泛的应用潜力。通过提高异常检测的准确性，能够帮助企业和机构在数据稀缺的情况下更有效地识别潜在风险，从而降低损失和提高决策效率。未来，该方法还可以扩展到其他类型的数据分析任务中，进一步提升其应用价值。

📄 摘要（原文）

Weakly supervised anomaly detection on tabular data is an essential task in many label-scarce applications, since tabular data is widely encountered and it is commonly observed in practice that only a limited number of labeled anomalies are available alongside abundant unlabeled samples. Most existing methods try to learn features that capture the inherent distribution patterns in the target domain. However, such features often struggle to provide a complete description of possible abnormal characteristics and are highly susceptible to overfitting the extremely scarce labels. To address this challenge, we propose a weakly supervised anomaly detection method based on universal semantic enhancement for tabular data, which fuses the universal knowledge from a pre-trained tabular foundation model with the domain-specific knowledge learned on the target dataset. The two types of knowledge are naturally complementary: universal semantics describe the common patterns of tabular data across domains, while the domain-specific features capture the inherent distributions of normal and anomalous behaviors in the target dataset. A prototype-conditioned modulation mechanism is then designed to effectively integrate the two types of features, allowing them to reinforce each other for improved anomaly detection. Extensive experiments on public datasets show that the proposed method outperforms competitive methods when only eight labeled anomalies are available in the training procedure.