Краткое содержание

arXiv:2509.09030v2 Тип объявления: замена Аннотация: Обнаружение аномалий имеет критическое значение в таких областях, как кибербезопасность и финансы, особенно при работе с крупномасштабными табличными данными. Тем не менее, задача обнаружения аномалий без учителя — когда нет помеченных аномальных данных — остается сложной, поскольку традиционные методы глубокого обучения моделируют одно глобальное распределение, предполагая, что все образцы следуют одному и тому же поведению. В отличие от этого, реальные данные часто содержат разнородные контексты (например, разные пользователи, счета или устройства), где события, редкие на глобальном уровне, могут быть нормальными в определенных условиях. Мы предлагаем фреймворк контекстного обучения, который явно моделирует, как нормальное поведение варьируется в зависимости от контекста путем изучения условных распределений данных $P(\mathbf{Y} \mid \mathbf{C})$ вместо глобального совместного распределения $P(\mathbf{X})$. Фреймворк включает (1) вероятностную формулировку для обучения, обусловленного контекстом; (2) обоснованный двухуровневый подход к оптимизации для автоматического выбора в