TabPFN 特征做表格异常检测,ZEN 无微调刷新 ADBench 纪录

Maximilian Bershtman · hf · 2026-10-06

作者探索将先验数据拟合网络(PFN)的表征用于表格异常检测。难点在于部署前没有异常样本可监督、参考集本身可能混入异常。方法:先用冻结的 TabPFN 特征做最近邻距离打分,并确定最适合的层与特征提取流程;再用参考集微调模型,使特征更好区分正常与异常。在 ADBench 基准上,免微调方法 ZEN 的平均 AUROC 超过所有基线,微调版 FOCUS 进一步提升,且方法可泛化到不同 PFN 模型。