ICML 2026通用异常检测新范式：OFA-TAD如何革新表格数据处理

表格异常检测的核心任务，是在海量结构化数据中识别那些偏离常规模式的样本。从医疗记录中的病理指标到金融交易里的欺诈行为，TAD都是关键的分析工具。然而，该领域长期存在一个根本性挑战。

现有主流方法普遍遵循“一事一议”的模式。每对接一个新的业务场景——例如从供应链监控转向工业质检——就需要重新执行完整的建模流程：数据清洗、特征工程、模型训练与参数调优。这种重复劳动不仅消耗大量计算和运维资源，更本质的缺陷在于，模型在特定数据集上获得的“经验”难以迁移，其泛化能力在真实多变的环境中表现不佳。

因此，一个根本性问题亟待解决：表格异常检测能否像大语言模型一样，实现一次训练、跨域通用的目标？

格里菲斯大学与同济大学的研究团队近期提出的OFA-TAD方法，为这一目标提供了可行路径。该方法旨在将表格异常检测从“one-for-one”范式转向“one-for-all”。其核心设计是：模型在多个源数据集上完成一次预训练后，即可直接应用于未见过的目标数据集，无需任何针对性的再训练或微调。

实现这一愿景的障碍在于表格数据固有的“语义鸿沟”。不同领域的数据集，其特征维度、物理含义与数值分布差异巨大。例如，“白细胞计数”与“服务器请求延迟”在原始特征空间内无法直接对齐。关键在于，能否找到一个所有领域异常共同遵循的、可迁移的底层规律。

从 one-for-one 到 one-for-all：表格异常检测的新问题

传统方法，无论是基于统计的隔离森林、基于密度的LOF，还是基于深度自编码器的模型，基本都在单一数据集内部构建和评估。这种模式在受控的基准测试中可能表现良好，但在实际部署中会暴露出两大痛点：

• 训练成本高昂：新场景的落地意味着从零开始的模型开发与调优，成本线性增长。
• 泛化能力薄弱：模型极易过拟合到特定数据集的局部统计特性，跨领域迁移时性能衰减显著。

OFA-TAD瞄准的，正是构建一个通用的异常检测器。当面对来自医疗影像、信贷风控或物联网传感等全新领域的表格数据时，这个检测器能否像预训练模型一样，实现即插即用的可靠检测？

关键洞见：异常的共性 不在特征语义，而在邻域距离

研究团队的核心洞见在于：可跨域迁移的异常信号，其本质不在于具体、易变的特征语义，而在于更稳定的数据结构——即样本在特征空间中的局部邻域关系。

无论异常的具体表现形式如何，一个欺诈账户、一台故障设备或一例罕见病例，它们通常共享一个底层模式：相较于周围大量的正常样本，它们在局部邻域内显得更为“孤立”。换言之，异常样本与其最近邻样本之间的距离分布模式，往往与正常样本存在系统性差异。

基于此，OFA-TAD并不直接建模原始表格特征，而是将每个样本转化为一个“邻居距离画像”——计算其到Top-K个最近邻样本的距离，并形成标准化距离序列。这一转换带来双重优势：

• 语义无关：无论数据表的列名和含义如何，最终都被统一映射为固定长度的距离序列，实现了跨领域数据的对齐。
• 异常敏感：异常样本在其近邻距离曲线上，通常表现出更陡峭的梯度变化、更长的尾部或明显的离群点，从而更容易被模型捕捉。

本质上，OFA-TAD为多源异构的表格数据定义了一种统一的“距离语言”。

多视角距离编码：让模型自动适应不同数据变换

然而，单一距离空间不足以应对所有场景。表格数据对预处理方式极其敏感。标准化、归一化或分位数变换等操作，会彻底改变样本间的距离关系。某些异常在标准化后的空间中才凸显，而另一些则在原始值域或秩次空间中更易检测。

^{图注：不同特征变换会显著改变近邻结构与异常可分性。R：Raw，S：Standardized，and Q：Quantile。}

为应对这一挑战，OFA-TAD构建了多个由不同特征变换诱导的度量空间，如原始值空间、标准化空间、分位数空间等。对于同一个样本，模型会在每一个“视角”下分别提取其Top-K邻居距离序列，并通过分位数归一化将所有数据集的距离尺度映射到统一范围。

这一设计使模型避免了对单一预处理方式的依赖，能够从多个互补的视角捕捉异常证据，显著提升了检测的鲁棒性。

MoE 自适应融合：让每个样本选择最可靠的距离视角

多视角带来了信息冗余，但也引入了新挑战：不同视角的可靠性因样本而异。若简单地将所有视角信息拼接或取平均，强异常信号可能被噪声视角稀释。

为此，OFA-TAD引入了混合专家模型进行自适应融合：

• 视角专家：每位专家专精于一个特定的距离视角，利用位置编码和注意力池化机制建模Top-K邻居距离序列，输出该视角下的异常分数。
• 门控网络：根据样本在不同视角下的表征，动态预测应赋予每位专家的权重。
• 加权融合：模型依据门控网络的决策，自适应地加权融合各位专家的评分，为每个样本生成综合异常分数。

^{图注：OFA-TAD 的整体框架：多视角距离编码、MoE 自适应评分，以及多策略伪异常合成。}

这一设计的精妙之处在于，它无需预先知晓目标数据集最适合哪种预处理，而是在推理时让模型根据样本自身特性，“智能”地选择并融合最可靠的证据。

没有真实异常标签怎么办？多策略合成伪异常

表格异常检测通常面临“单类学习”设定：训练阶段仅能获取大量正常样本，真实异常样本稀少或缺失。为在此约束下提供有效监督信号，OFA-TAD设计了一套多策略伪异常合成机制。

具体而言，模型通过四种方式生成多样化的伪异常样本：

• 流形外推：模拟完全偏离正常数据分布范围的全局性异常。
• 簇间插值：模拟落在正常数据簇之间低密度区域的局部性异常。
• 噪声注入：模拟由测量误差或随机扰动导致的异常。
• 特征遮蔽：模拟数据缺失或部分特征损坏的异常情况。

这些多样化的伪异常与正常样本共同构成训练集，帮助模型学习到一个更稳健、泛化能力更强的异常决策边界。

实验结果：34 个数据集、14 个领域上的通用检测能力

为验证其通用性，OFA-TAD在7个源数据集上进行一次性预训练后，直接在涵盖医疗、金融、网络等14个不同领域的34个目标数据集上进行零样本评估。对比基线涵盖了从经典统计方法到前沿深度方法的9个代表性模型。

关键对比设置是：所有基线模型均遵循传统的OFO范式，在每个目标数据集上单独训练以取得其最优性能。而OFA-TAD则严格遵循OFA设定：不在任何目标数据集上重新训练或微调，仅使用目标数据集中少量正常样本作为推理时的“上下文”，用于近邻检索和距离归一化，且在所有数据集上使用同一组固定超参数。

1）整体性能：一次训练，跨 34 个数据集稳定领先

在此严格得多的设置下，OFA-TAD在AUROC、AUPRC等核心指标上的平均排名保持领先，展示了优异的跨领域泛化能力与稳定性。

2）消融实验：多视角、MoE 与注意力缺一不可

消融研究证实了每个组件的价值。移除门控融合、MoE专家、注意力池化或位置编码中的任何一环，均会导致性能下降。其中，注意力池化的作用尤为关键，这表明对邻居距离证据进行自适应加权是捕捉稀疏异常信号的核心。同时，多策略伪异常合成提供的互补监督信号也必不可少，移除任一种生成策略都会损害模型性能。

3）上下文鲁棒性：少量正常样本也能支持即时推理

OFA-TAD展现出良好的上下文鲁棒性。即使目标领域仅能提供极少量的正常样本作为上下文，模型依然能进行稳定的即时推理。随着上下文样本量的增加，性能会进一步提升并趋于饱和。这预示该方法在数据稀缺的冷启动场景下具备实用潜力。

4）dataset-specific scaling

一个更具启发性的发现是，随着用于预训练的源数据集数量增加，OFA-TAD的跨域迁移性能呈现稳定的提升趋势。这暗示通用表格异常检测可能存在类似“缩放定律”的规律：预训练数据越丰富、越多样，模型学到的异常检测规律就越普适。

总结：迈向通用表格异常检测器

OFA-TAD的提出，是表格异常检测从“一事一议”迈向“一通百通”范式转变的重要进展。它通过在统一的“距离语言”上构建模型，并结合多视角编码与自适应融合，证明了在无需目标域微调的前提下实现跨领域通用检测的可行性。

通往真正通用的表格异常检测器之路仍在前方。未来，通过引入更大规模、更多样化的预训练数据，设计更先进的训练范式，以及更深层次地利用上下文信息，通用TAD模型的性能天花板有望被进一步突破。这不仅将大幅降低工业界的部署与维护成本，更有潜力为医疗诊断、金融风控、网络安全等高价值且数据多变的领域，提供一套灵活、可靠、即插即用的智能分析基础设施。