Buchumschlag

Towards One-for-All Anomaly Detection for Tabular Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Shiyuan, Liu, Yixin, Zheng, Yu, Cao, Xiaofeng, Pan, Shirui, Shen, Heng Tao
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection
von: Liu, Yixin, et al.
Veröffentlicht: (2026)

FreeGAD: A Training-Free yet Effective Approach for Graph Anomaly Detection
von: Zhao, Yunfeng, et al.
Veröffentlicht: (2025)

ARC: A Generalist Graph Anomaly Detector with In-Context Learning
von: Liu, Yixin, et al.
Veröffentlicht: (2024)

Beyond a Single Perspective: Text Anomaly Detection with Multi-View Language Representations
von: Liu, Yixin, et al.
Veröffentlicht: (2026)

Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach
von: Liu, Yujing, et al.
Veröffentlicht: (2026)

OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models
von: Li, Shiyuan, et al.
Veröffentlicht: (2026)

FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection
von: Zhao, Yunfeng, et al.
Veröffentlicht: (2026)

Disentangling Tabular Data Towards Better One-Class Anomaly Detection
von: Ye, Jianan, et al.
Veröffentlicht: (2024)

Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark
von: Wang, Yili, et al.
Veröffentlicht: (2024)

Noise-Resilient Unsupervised Graph Representation Learning via Multi-Hop Feature Quality Estimation
von: Li, Shiyuan, et al.
Veröffentlicht: (2024)

One for All: Towards Training One Graph Model for All Classification Tasks
von: Liu, Hao, et al.
Veröffentlicht: (2023)

Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach
von: Chen, Qingfeng, et al.
Veröffentlicht: (2025)

A Survey of Generalization of Graph Anomaly Detection: From Transfer Learning to Foundation Models
von: Pan, Junjun, et al.
Veröffentlicht: (2025)

Contextual Learning for Anomaly Detection in Tabular Data
von: King, Spencer, et al.
Veröffentlicht: (2025)

CAMERA: Adapting to Semantic Camouflage in Unsupervised Text-Attributed Graph Fraud Detection
von: Pan, Junjun, et al.
Veröffentlicht: (2026)

Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time
von: Pan, Junjun, et al.
Veröffentlicht: (2025)

A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection
von: Pan, Junjun, et al.
Veröffentlicht: (2025)

Retrieval Augmented Deep Anomaly Detection for Tabular Data
von: Thimonier, Hugo, et al.
Veröffentlicht: (2024)

Out-of-Distribution Detection on Graphs: A Survey
von: Cai, Tingyi, et al.
Veröffentlicht: (2025)

Anomaly Detection of Tabular Data Using LLMs
von: Li, Aodong, et al.
Veröffentlicht: (2024)

Beyond Individual Input for Deep Anomaly Detection on Tabular Data
von: Thimonier, Hugo, et al.
Veröffentlicht: (2023)

Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data
von: Sattarov, Timur, et al.
Veröffentlicht: (2025)

AnoGAN for Tabular Data: A Novel Approach to Anomaly Detection
von: Singh, Aditya, et al.
Veröffentlicht: (2024)

GOODAT: Towards Test-time Graph Out-of-Distribution Detection
von: Wang, Luzhi, et al.
Veröffentlicht: (2024)

Unsupervised Anomaly Detection for Tabular Data Using Noise Evaluation
von: Dai, Wei, et al.
Veröffentlicht: (2024)

Self-Supervision Improves Diffusion Models for Tabular Data Imputation
von: Liu, Yixin, et al.
Veröffentlicht: (2024)

Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection
von: Liu, Yunhui, et al.
Veröffentlicht: (2025)

Towards Token-Level Text Anomaly Detection
von: Cao, Yang, et al.
Veröffentlicht: (2026)

GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems
von: Chen, Hongjiang, et al.
Veröffentlicht: (2026)

Calibrating Tabular Anomaly Detection via Optimal Transport
von: Ye, Hangting, et al.
Veröffentlicht: (2026)

Graph Neural Networks for Graphs with Heterophily: A Survey
von: Zheng, Xin, et al.
Veröffentlicht: (2022)

Towards Universal Debiasing for Language Models-based Tabular Data Generation
von: Li, Tianchun, et al.
Veröffentlicht: (2025)

Deep Learning for Time Series Anomaly Detection: A Survey
von: Darban, Zahra Zamanzadeh, et al.
Veröffentlicht: (2022)

Investigating Mask-aware Prototype Learning for Tabular Anomaly Detection
von: Lu, Ruiying, et al.
Veröffentlicht: (2025)

One Transformer for All Time Series: Representing and Training with Time-Dependent Heterogeneous Tabular Data
von: Luetto, Simone, et al.
Veröffentlicht: (2023)

Beyond One-Size-Fits-All: Neural Networks for Differentially Private Tabular Data Synthesis
von: Chen, Kai, et al.
Veröffentlicht: (2025)

Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values
von: Zheng, Yu, et al.
Veröffentlicht: (2024)

CTSyn: A Foundation Model for Cross Tabular Data Generation
von: Lin, Xiaofeng, et al.
Veröffentlicht: (2024)

From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach
von: Zheng, Yu, et al.
Veröffentlicht: (2022)

Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models
von: Shen, Xu, et al.
Veröffentlicht: (2024)