CORE: 문맥 기반 재구성을 통한 통합 테이블 데이터 이상 탐지

CORE: In-Context Reconstruction for Unified Tabular Anomaly Detection

테이블 데이터 내에서 정상적인 패턴에서 벗어난 비정상 샘플을 식별하는 테이블 데이터 이상 탐지(TAD)는 최근 많은 관심을 받고 있습니다. 최근에는 단일의 일반화된 모델을 사용하여 다양한 데이터셋에 대한 이상을 탐지하려는 통합 TAD라는 새로운 트렌드가 등장했습니다. 하지만 통합 TAD에서 이질적인 데이터를 정렬하는 것은 여전히 어려운 과제입니다. 기존 방법들은 종종 거리 기반의 통합 특징 생성 방식을 사용하지만, 이는 원래 특징의 의미를 흐릴 수 있습니다. 또한, 기존 접근 방식은 일반적으로 이상 탐지를 이진 분류 문제로 정의하는데, 이는 다양한 데이터셋에서 나타나는 다변화된 이상 패턴을 간과하거나 대표성이 떨어지는 합성 이상 샘플에 의해 오해를 받을 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 통합 TAD를 위한 문맥 기반 재구성(CORE) 접근 방식을 제안합니다. CORE는 이질적인 특징들을 직접적으로 통일된 표현 공간으로 정렬하는 상관 관계 제거 특징 정렬 모듈을 도입하여 원래 특징의 의미 정보를 유지합니다. 또한, CORE는 통합 TAD를 문맥 내 재구성 문제로 정의함으로써, 레이블이 지정되거나 합성된 이상 샘플이 필요 없도록 합니다. 구체적으로, 문맥 내 재구성 모듈은 각 샘플을 데이터셋별 분포를 포착하기 위해 주변의 정상적인 샘플을 활용하여 재구성하며, 이 때 재구성 오류는 해당 샘플이 정상 패턴에서 얼마나 벗어나는지를 반영하므로 임의의 새로운 데이터셋에 대한 통합 TAD를 가능하게 합니다.

Tabular anomaly detection (TAD), which focuses on identifying abnormal samples that deviate from the majority in tabular data, has received growing attention. Recently, there has been an emerging trend towards unified TAD, which seeks to detect anomalies across different datasets using a single generalizable model. In unified TAD, aligning heterogeneous data remains challenging. While existing methods often rely on distance-based unified feature construction, they may obscure the semantics of the original features. Moreover, existing approaches typically formulate anomaly detection as a binary classification task, which may overlook diverse anomaly patterns from various datasets and be misled by unrepresentative synthetic anomalies. To address these challenges, we propose an in-COntext REconstruction approach for unified TAD (CORE for short). It introduces a decorrelated feature alignment module to directly align heterogeneous features into a unified representation space, which retains their semantic information. Meanwhile, CORE formulates unified TAD as an in-context reconstruction problem, eliminating the need for labeled or synthesized anomalies. Specifically, the in-context reconstruction module reconstructs each sample by leveraging contextual normal samples to capture dataset-specific distributions, such that reconstruction errors reflect its deviation from normality, facilitating unified TAD on arbitrary unseen datasets.