في عالم الكشف عن الشذوذات الجدولية (Tabular Anomaly Detection)، يُعتبر السياق الدلالي للنصوص عاملاً حاسماً، حيث يرتبط تعريف الشذوذ ارتباطاً وثيقاً بالسياق الخاص بالمجال. لكن المشكلات الحالية تعتمد على نقاط بيانات خام فقط، مما يغفل المعلومات الدلالية الغنية مثل أوصاف الميزات ومعارف المجالات التي يعتمد عليها الخبراء في العمل اليومي. هذا القصور يحد من مرونة البحث ويمنع النماذج من الاستفادة بشكل كامل من المعرفة الخاصة بالمجال للكشف.

تأتي ReTabAD لتسد هذه الفجوة، حيث تستعيد السياقات النصية لتمكين البحث في الكشف عن الشذوذات الجدولية مع مراعاة السياق. يقدم المشروع (1) 20 مجموعة بيانات جدولة مُعَدَّة بعناية والمزودة ببيانات نصية منظمة، بالإضافة إلى تنفيذات لخوارزميات الكشف عن الشذوذات التي تُعتبر الأفضل في سوق الذكاء الاصطناعي، بما يشمل الطرق التقليدية، التعلم العميق، والنماذج اللغوية الضخمة (Large Language Models). كما يقدم (2) إطار عمل يعتمد على نموذج لغة عظيمة (LLM) دون الحاجة إلى تدريب مُحدد للمهام، مما يضع معياراً قوياً لدراسات المستقبل.

علاوة على ذلك، يوفر هذا العمل رؤى حول دور وفائدة البيانات النصية في اكتشاف الشذوذات من خلال التجارب والتحليلات. أظهرت النتائج أن وجود السياق الدلالي يعزز من أداء الكشف ويدعم الفهم من خلال توفير تفسير يتماشى مع معارف المجال. هذه الاكتشافات تجعل من ReTabAD معياراً هاماً لاستكشاف منهجي للكشف عن الشذوذات بمراعاة السياق.