未经训练的神经网络在异常检测中能走多远？从表格到像素

arXiv:2611.08136v1 公告类型：新稿 摘要：异常检测（AD）通常被视为一种表征学习问题，人们认为，要取得优异性能，就需要学习得到的特征或针对 AD 的专门优化。然而，这一观点可能忽略了异常样本与正常参考样本之间的内在可分性，即使没有学习得到的表征，这种可分性也可能存在。因此，我们研究未经训练的神经网络在异常检测中能达到何种水平。为此，我们提出 PRISM，这是一个将固定随机非线性特征与基于正常参考样本的马氏距离评分相结合的框架，用于表格数据异常检测和密集视觉异常定位。在 ADBench 的 47 个表格数据集上，PRISM-T 在所比较的方法中取得了最高的平均 AUROC（86.4%）和第二高的平均 AUPRC（65.9%）。在涵盖 27 个视觉类别的 MVTec AD 和 VisA 上，PRISM-V 的平均图像级和像素级 AUROC 分别达到 90.4% 和 96.4%。值得注意的是，这两个模型均未进行神经网络权重优化，也未使用预训练表征，就取得了上述结果。理论分析进一步刻画了非线性变换如何影响均值和协方差对马氏距离评分差距的贡献，而实证分析则考察了由此产生的评分可分性。这些发现表明，PRISM 既是一种具有竞争力的异常检测器，也是一种学习前基线，可用于评估学习得到的表征在异常检测中的附加价值。