ICLAD: Lernmodell vereint Anomalieerkennung in Tabellen bei Überwachungsstufen

Die Erkennung von Ausreißern in tabellarischen Daten wird üblicherweise in drei Überwachungsstufen untersucht: One-Class-Ansätze, die ausschließlich an anomaliensicheren Trainingsdaten arbeiten, vollständig unüberwachte Verfahren, die mit unmarkierten und möglicherweise kontaminierten Daten umgehen, sowie semi-überwachte Modelle, die nur wenige Anomalie‑Labels besitzen. Traditionelle Deep‑Learning‑Methoden trainieren dabei oft datensatz‑spezifische Modelle für eine einzelne Stufe, was die Nutzung gemeinsamer Strukturen zwischen Aufgaben und die Anpassung an unterschiedliche Überwachungsgrade einschränkt.

ICLAD (In‑Context Learning for Anomaly Detection) löst dieses Problem, indem es ein in‑Context‑Learning‑Fundamentmodell entwickelt, das über verschiedene Datensätze und Überwachungsstufen hinweg generalisiert. Das Modell wird mittels Meta‑Learning auf synthetischen Anomalie‑Erkennungsaufgaben trainiert. Bei der Inferenz wird das Modell nicht aktualisiert; stattdessen werden Anomalie‑Scores erzeugt, indem es auf das gegebene Trainingsset konditioniert.

Umfangreiche Tests auf 57 tabellarischen Datensätzen aus dem ADBench‑Benchmark zeigen, dass ICLAD die aktuelle Spitzenleistung in allen drei Überwachungsstufen erreicht. Damit bietet es einen einheitlichen Rahmen für die tabellarische Anomalieerkennung, der sowohl die Flexibilität als auch die Leistungsfähigkeit über verschiedene Szenarien hinweg maximiert.