إن اكتشاف الشذوذ في البيانات الجدولية يعد تحدياً كبيراً، نظراً للبعد العالي للبيانات وتعقيد العلاقات بين الميزات والضوضاء المتنوعة. تعتمد العديد من المنهجيات الحالية على إ cues القائمة على القرب، مما قد يؤدي إلى نقص في اكتشاف الشذوذ الناتجة عن انتهاك العلاقات المعقدة. هنا تتجلى أهمية طريقة اكتشاف الشذوذ المعتمدة على الاعتماديات، حيث تُعتبر هذه الطريقة بديلاً صارماً من خلال تحديد الشذوذ باعتباره انتهاكاً للاعتماديات بين الميزات.

لكن على الرغم من ذلك، تجد الطرق الحالية صعوبة في نمذجة هذه الاعتماديات بشكل موثوق والقابلية للتوسع مع البيانات ذات الأبعاد العالية. لمواجهة هذه التحديات، تم تقديم إطار uLEAD-TabPFN، والذي يُبنى على الشبكات المدروسة مسبقًا (Prior-Data Fitted Networks – PFNs). يقوم هذا الإطار بتحديد الشذوذ كأحداث تنتهك الاعتماديات الشرطية في فضاء خفي متعلم، مستفيدًا من PFNs المجمدة لتقدير الاعتماديات.

مع الجمع بين النتيجة المدروسة للعدم اليقين (uncertainty-aware scoring) والاكتشاف، يمكّن الإطار المقترح اكتشاف الشذوذ بشكل موثوق وقابل للتوسع. أثبتت التجارب على 57 مجموعة بيانات جدولية من ADBench أن uLEAD-TabPFN يحقق أداءً قوياً بشكل خاص في الإعدادات متوسطة وعالية الأبعاد، حيث يحقق أعلى ترتيب متوسط. وفي مجموعات البيانات عالية الأبعاد، يتمكن uLEAD-TabPFN من تحسين المتوسط العام لنتيجة ROC-AUC بنسبة تقارب 20% مقارنةً بالأساسيات، وحوالي 2.8% عن أفضل نتيجة سابقة، مع الحفاظ على أداء متفوق مقارنةً بالطرق الحديثة.

توضح التحليلات الإضافية أن uLEAD-TabPFN يوفر قدرة تكاملة لاكتشاف الشذوذ، إذ يحقق أداء قوياً في مجموعات البيانات حيث تواجه العديد من الطرق الحالية صعوبات.