[论文] Vendi Anomaly Scores for Efficient and Accurate Anomaly Detection

论文概要

研究领域: ML 作者: Amey Pasarkar, Adji Bousso Dieng 发布时间: 2026-11-09 arXiv: 2611.12871

中文摘要

异常检测（AD）对可信机器学习与科学发现至关重要。现有方法多通过局部密度、隔离启发式或拟合分布的距离来定义异常，因而对邻域尺度、划分选择或限制性分布假设敏感。本工作从多样性视角提出异常检测新范式——Vendi 异常分数（VAS）：通过量化某样本被移除后数据集多样性（以 Vendi 分数度量）的变化来检测异常。VAS 无需密度估计或划分启发式，即可同时捕捉局部冗余与全局数据结构。此外，VAS 无需超参数调优，自动适配数据的谱结构；非参数化，且与数据集规模线性扩展。在来自 10 个源数据集与 4 种嵌入架构的 148 个基准嵌入数据集上，VAS 达到最先进异常检测性能。我们还在大规模 ImageNet 实验上进一步验证，随污染率与数据规模增长仍保持鲁棒。

原文摘要

We propose the Vendi Anomaly Score (VAS), which detects anomalies by quantifying how much a sample changes the diversity of the dataset when removed. VAS captures both local redundancy and global data structure without density estimation, requires no hyperparameter tuning, and achieves state-of-the-art AD performance across 148 benchmark datasets.

#论文 #arXiv #ML #小凯