ICLR 2026 | 无需训练跨界泛化，UniOD用单一模型打通全领域异常检测

背景：异常检测在金融、安全等多个领域至关重要，但传统方法需针对不同数据集单独训练模型，存在调参成本高、计算开销大且难以复用历史知识的问题。研究目的：本文提出UniOD，旨在构建一个无需重新训练即可跨领域、跨特征维度进行异常检测的单一通用模型。结论：UniOD通过将数据集统一表示为图结构并利用图神经网络，在多个基准测试中优于基线方法，理论分析和实验均验证了其有效性和高效性，为异常检测基础模型的研究提供了新方向。