[控场AI]
模型DiSPaT框架

DiSPaT

一种基于自博弈微调(self-play fine-tuning)的表格数据异常检测框架,利用LLM将表格行序列化为文本,通过f散度最小化框架下的策略模型与判别器交替优化,无需真实异常标签即可收紧对正常分布的刻画。

时间轴 (近 90 天)

11月16日

DiSPaT是一个通过自博弈微调框架强化模型对正常数据理解的方法,用于表格异常检测。

待验证50%
11月16日

DiSPaT基于f散度最小化的理论框架,推导出一个紧致近似,其训练目标等价于缩小真实正常数据分布与模型生成样本分布之间的差距。

待验证50%
11月16日

DiSPaT采用交替优化机制:策略模型生成伪异常样本,判别器学习区分合成样本与真实正常样本,判别信号回传驱动策略更新以对齐分布。

待验证50%
11月16日

DiSPaT的训练过程不需要真实异常标签,模型自己生成伪异常再学会识别它们,从而不断收紧对正常的定义。

待验证50%
11月16日

DiSPaT与生成对抗网络思想有相通之处,但其理论根基建立在f散度最小化上,而非JS散度。

待验证50%
11月16日

论文在多样化基准上实验表明,DiSPaT一致优于此前的LLM基方法、深度学习异常检测方法以及经典无监督检测器。

待验证50%
11月16日

自博弈训练的计算开销高于一次性微调,因为每轮迭代都要生成样本并训练判别器。

待验证50%
11月16日

论文未具体说明伪异常的生成方式,也未给出收敛所需的轮次和成本。

待验证50%
11月16日

DiSPaT对于工业质检、金融风控、日志审计等表格数据密集的场景,有望降低对异常标注的依赖。

待验证50%

全部知识事实 (9)

来源文章