WAND：面向表格数据的可解释无监督异常检测器，评分与特征归因同源产出
论文提出WAND方法，异常分数由单位球面上的“见证方向”决定，该方向同时作为逐特征归因，无需像SHAP/LIME那样事后近似解释；在 47 个ADBench数据集上达到与 16 个无监督基线相当的ROC-AUC，并取得最佳平均Friedman排名。
AI解读：无监督异常检测通常只给每个点一个分数，却不说明是哪些特征导致它被标记；主流做法是用SHAP或LIME事后解释，但这类工具需要对检测器逐点重复查询数千次，且只能逼近原模型，成本高、保真度有限。WAND的思路是让“哪些方向把该点推离正常基线”直接成为解释：它把每个点投影到单位球面的方向上，与次高斯极值基线比较偏离程度作为分数，而这个方向本身就是逐特征归因，计算分数时顺带得到，无需额外开销。作者在 47 个ADBench数据集上对比 16 个无监督基线，WAND的ROC-AUC与基线持平，平均Friedman排名最佳，说明“可解释”没有以精度为代价；其原生解释比事后套用SHAP/LIME或ECOD更准确、更忠实，查询成本却低得多。对需要审计异常判据的表格数据用户（如金融风控、工业质检、医疗记录筛查），这意味可以在不降低检测性能的前提下直接获得每个异常点由哪些特征驱动的说明，而不用再依赖昂贵且近似的解释工具；不过论文只覆盖表格数据和特定基线集，对图像、序列等非表格数据及更广泛场景的适用性尚未涉及。
一篇被ICDM 2026接收的arXiv论文（编号arXiv:2609.03826）提出WAND——一种“设计上即可解释”的无监督表格异常检测器。论文指出，主流无监督检测器只输出分数，不说明是哪些特征导致该点被标记；事后用SHAP或LIME追加解释时，需对检测器逐点重复查询数千次，且只能逼近原模型。WAND将计算组织为单位球面上的方向，用每个点的投影偏离次高斯极值基线的程度来打分，而标记该点的“见证方向”本身就是该点的逐特征归因，零额外开销即可获得；由于分数可微，也可通过梯度恢复归因。
据摘要，WAND的打分复杂度与样本量成线性关系，并有一个“探针效率界”保证每个异常点都有见证方向、因而都有解释。论文在 47 个ADBench数据集上将WAND与 16 个无监督基线比较，称其在ROC-AUC与基线持平的情况下取得最佳平均Friedman排名，即解释能力未带来精度损失；其原生解释在准确性和忠实度上优于事后SHAP/LIME及ECOD，查询成本只是后者的一小部分。