uLEAD-TabPFN：TabPFNを用いた不確実性を考慮する依存関係ベースの異常検知

要旨: 表形式データにおける異常検知は、高次元性、複雑な特徴量間の依存関係、異質なノイズによって困難です。既存の多くの手法は近接性に基づく手掛かりに依存しており、複雑な特徴量間の依存関係の破れによって生じる異常を見落とす可能性があります。依存関係に基づく異常検知は、特徴量間の依存関係の違反として異常を特定することで、原理に基づく代替手段を提供します。しかし、既存手法は、そのような依存関係を頑健にモデル化することや、複雑な依存構造をもつ高次元データへスケールさせることにしばしば苦戦しています。これらの課題に対処するために、本研究では Prior-Data Fitted Networks（PFNs）に基づく依存関係ベースの異常検知フレームワークである uLEAD-TabPFN を提案します。uLEAD-TabPFN は、学習された潜在空間における条件付き依存関係の違反として異常を特定し、依存関係推定のために凍結した PFN を活用します。さらに、不確実性を考慮したスコアリングと組み合わせることで、提案フレームワークは頑健かつスケーラブルな異常検知を可能にします。ADBenc の 57 の表形式データセットに対する実験では、uLEAD-TabPFN は特に中〜高次元の設定において非常に強い性能を示し、平均順位で首位を達成します。高次元データセットでは、uLEAD-TabPFN は平均ベースラインに対して ROC-AUC をほぼ 20\% 改善し、最良のベースラインに対しては約 2.8\% 改善しつつ、最先端手法に比べて全体として優れた性能を維持しています。さらなる分析により、uLEAD-TabPFN は補完的な異常検知能力を提供し、多くの既存手法が苦手とするデータセットにおいても強い性能を達成することが示されます。