CLOE：Christoffel损失自编码器用于异常检测

arXiv cs.LG 论文
anomaly-detection autoencoder christoffel-function semi-supervised-learning dimensionality-reduction tabular-data

摘要

CLOE是一种新的半监督异常检测方法，结合了自编码器与基于Christoffel函数的检测器，通过一种新颖的损失函数来改进表示学习。该方法在高维表格数据上取得了最先进的结果，同时保持了简单性。

arXiv:2607.20530v1 Announce Type: new 摘要：半监督异常检测在过程监控、医疗健康和金融等多个领域发挥着关键作用。然而，轻量级方法通常难以处理高维数据，并且往往需要仔细调整多个超参数。在现有方法中，基于Christoffel函数的方法因其简单性而具有吸引力，最多只需要一个超参数。它们还受益于完善的理论基础，为数据科学带来了一些有趣的结果。然而，其主要缺点是在高维设置中可扩展性差。在本文中，我们介绍了CLOE，一种新方法，它将用于降维的自编码器与应用于潜在空间的基于Christoffel函数的检测器相结合。为了更好地将表示学习与异常检测对齐，我们设计了一种新颖的损失函数，利用Christoffel函数引导自编码器学习更好地捕捉正常数据分布支撑集的表示。我们进一步提出了一种设置检测阈值的理论化流程，以及一种高效的策略来调整唯一剩余的超参数。在多个高维表格异常检测基准上的实验表明，CLOE在保持基于Christoffel函数方法的轻量级和低调整优势的同时，实现了优于现有方法的性能。
查看原文
查看缓存全文

缓存时间: 2026/07/24 05:10 

# CLOE：用于异常检测的 Christoffel 损失自编码器
来源：https://arxiv.org/abs/2607.20530
查看 PDF (https://arxiv.org/pdf/2607.20530)

> 摘要：半监督异常检测在过程监控、医疗健康和金融等多个领域发挥着关键作用。然而，轻量级方法通常难以处理高维数据，并且通常需要仔细调整多个超参数。在现有方法中，基于 Christoffel 函数的方法因其简单性而颇具吸引力，最多只需要一个超参数。它们还受益于完善的理论基础，为数据科学带来了若干有趣的结果。然而，其主要局限性在于对高维场景的可扩展性较差。在本文中，我们介绍 CLOE，这是一种新方法，它将用于降维的自编码器与应用于潜在空间的基于 Christoffel 函数的检测器相结合。为了更好地将表示学习与异常检测对齐，我们设计了一种新颖的损失函数，利用 Christoffel 函数引导自编码器生成能够更好捕获正常数据分布支撑集的表示。我们还进一步提出了一种原则性的检测阈值设置程序，以及一种高效的策略来调整仅剩的一个超参数。在多个高维表格异常检测基准上的实验表明，CLOE 实现了优于现有方法的性能，同时保留了基于 Christoffel 函数方法的轻量级和低调优优势。

## 提交历史

来自：Lea Billet [查看电子邮件 (https://arxiv.org/show-email/1bd5e380/2607.20530)] [通过 CCSD 代理] **[v1]** 2026 年 7 月 10 日，星期五，11:58:45 UTC（734 KB）

相似文章

桥接分类与重建：协同时间序列异常检测

arXiv cs.LG

本文提出CoAD，一种新颖的框架，统一了异常暴露（分类）和掩码自编码器（重建）两种范式用于时间序列异常检测，解决了它们各自的局限性。大量实验表明，CoAD在轻量快速的同时，显著优于现有最先进方法。

用于可解释性分布外检测的稀疏自编码器

arXiv cs.LG

本文介绍了一种新颖的方法，利用稀疏自编码器（SAEs）从网络中间激活中学习可解释特征，用于分布外（OOD）检测，该方法达到了最先进的性能，并提供了关于分布偏移如何影响所学表示的见解。