论文题目：Anomaly Detection for Tabular Data with Internal Contrastive Learning
论文链接：https://openreview.net/pdf?id=_hszZbt46bT

1. 背景与动机

异常检测中，单类分类的方法(One-Class Classification)通过观察基本正常/完全正常的训练集来学习数据的正常模式，从而将测试样本中不符合已知正常模式的样本判定为异常样本。

近年来，为了增强正常模式的学习质量，人们常在图像异常检测任务中针对数据的结构设计辅助任务（pretext task），以改进检测模型的检测能力。
例如，人们直观地知道一个图像经过旋转后并不会改变它原本的类别归属，因此图像被旋转不同的角度来制造新样本。新样本与原始样本归属于同一类，而又区分于其他类。（这种特性被称作类相关，class-dependent）。
通过辅助任务，样本的表达被丰富，从而提升了模型对样本信息的掌握程度。

然而，表格数据通常被表示为一个多维向量，我们不知道改变数据的结构会如何影响样本本身，因此很难借助先验信息设计如图像旋转之类的辅助任务。
为了克服这一难题，作者假设特征向量中