柯西位移网络被提出用于高效表格异常检测
Start here
2026年11月2日，arXiv机器学习领域发布论文，提出了一种用于表格异常检测的新型模型——柯西位移网络（Cauchy Displacement Network，简称 CDN）。该模型将异常视为残差，利用单隐层柯西网络将正常数据点回归至其 k 近邻均值，并依据预测的位移长度进行异常评分。在 46 个基准数据集与 28 个基线模型的对比实验中，CDN 在 AUC-ROC 和 AUC-PR 指标上均取得了最佳平均排名。此外，CDN 展现出极高的推理效率，在单 CPU 线程下几毫秒内即可处理 10^4 个查询，相比基于邻域的传统检测器最高提速达 3 个数量级。
AI-generated from reports · Updated 8 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习将异常视为残差：Cauchy Displacement Networks
新提出的表格异常检测模型 Cauchy Displacement Network（CDN），通过单隐层柯西网络将正常点回归至 k 近邻均值，并以预测位移长度评分。在 46 个基准数据集与 28 个基线对比中，CDN 在 AUC-ROC 和 AUC-PR 均取得最佳平均排名。其在单 CPU 线程下几毫秒即可处理 10^4 个查询，比基于邻域的检测器快最多 3 个数量级。
Story heat trend
Current heat 8·Comparable peak 10（Nov 2 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.