{"id":68841,"date":"2026-09-10T11:50:31","date_gmt":"2026-09-10T09:50:31","guid":{"rendered":"https:\/\/www.inovex.de\/?p=68841"},"modified":"2026-09-10T13:48:48","modified_gmt":"2026-09-10T11:48:48","slug":"anomaly-detection-do-tabular-foundation-models-help","status":"publish","type":"post","link":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/","title":{"rendered":"Wie helfen Tabular Foundation Models bei der Anomaly Detection?"},"content":{"rendered":"<p><em>Dieser Artikel wurde automatisch \u00fcbersetzt<\/em><em>. <a href=\"https:\/\/www.inovex.de\/en\/blog\/anomaly-detection-do-tabular-foundation-models-help\/\">Original Artikel<\/a>.<\/em><\/p>\n<p>Data Scientists kennen dieses Problem nur zu gut. Tabellarische Daten aus der Praxis bestehen selten nur aus ordentlichen Zahlenreihen. Sie sind un\u00fcbersichtlich, heterogen und oft vollgepackt mit Freitext-Spalten wie Stellenbeschreibungen, Kundenkommentaren oder klinischen Notizen. In traditionellen Workflows des maschinellen Lernens sind diese Textspalten in der Regel die ersten Opfer der Vorverarbeitung und werden komplett verworfen, da sie zu komplex sind, um sie zusammen mit numerischen Merkmalen zu verarbeiten.<\/p>\n<p>Doch Text birgt einen enormen semantischen Wert. In Bereichen wie Betrugserkennung, Cybersicherheit oder vorausschauender Wartung verbergen sich Anomalien oft genau dort im Text. In j\u00fcngster Zeit haben Tabular Foundation Models (TFMs) f\u00fcr gro\u00dfe Begeisterung gesorgt. Andere Studien haben gezeigt, dass die Umwandlung dieser Textspalten in dichte Vektor-Einbettungen die Leistung eines Modells erheblich steigern kann.<\/p>\n<p>Es gibt nur einen Haken. Fast alle diese Erkenntnisse stammen aus dem \u00fcberwachten Lernen. Doch was passiert bei der un\u00fcberwachten Anomalieerkennung, bei der wir keine Labels haben, um das Modell anzuleiten?<!--more--><\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_86 counter-hierarchy ez-toc-counter ez-toc-custom ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\"><p class=\"ez-toc-title\" style=\"cursor:inherit\"><\/p>\n<\/div><nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#Die-Modelle\" >Die Modelle<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#Warum-diese-fuenf\" >Warum diese f\u00fcnf?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#Die-zwei-Datensets\" >Die zwei Datensets<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#Das-Dilemma-der-unueberwachten-Erkennung\" >Das Dilemma der un\u00fcberwachten Erkennung<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#Die-Ergebnisse-Hype-vs-Realitaet\" >Die Ergebnisse: Hype vs. Realit\u00e4t<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#1-David-gegen-Goliath-Die-%E2%80%9EShallow%E2%80%9C-Modelle-gewinnen-weiterhin\" >1. David gegen Goliath: Die \u201eShallow\u201c-Modelle gewinnen weiterhin<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#2-Die-Embedding-Falle-und-was-ihr-tatsaechlich-entgeht\" >2. Die Embedding-Falle und was ihr tats\u00e4chlich entgeht<\/a><ul class='ez-toc-list-level-4' ><li class='ez-toc-heading-level-4'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#Die-Ergebnisse\" >Die Ergebnisse<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#3-Es-liegt-nicht-am-Modell-sondern-an-der-fehlenden-Klassifizierung\" >3. Es liegt nicht am Modell, sondern an der fehlenden Klassifizierung<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#Diskussion-Der-Weg-in-die-Zukunft\" >Diskussion: Der Weg in die Zukunft<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#Erkenntnisse-fuer-Ihr-naechstes-Projekt\" >Erkenntnisse f\u00fcr Ihr n\u00e4chstes Projekt<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Die-Modelle\"><\/span>Die Modelle<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Im Mittelpunkt dieser Arbeit stehen f\u00fcnf Grundmodelle. Was sie voneinander unterscheidet, ist nicht ihre Gr\u00f6\u00dfe, sondern die Art und Weise, wie sie mit Zahlen und Text umgehen.<\/p>\n<p><strong>TabPFN-3 und TabPFN<\/strong> Unsupervised sind Netzwerke, die anhand von A-priori-Daten angepasst wurden. Sie werden mit synthetischen Daten trainiert, die aus statistischen A-priori-Verteilungen stammen, und geben ihre Vorhersagen durch kontextbasiertes Lernen in einem einzigen Vorw\u00e4rtsdurchlauf ab. TabPFN-3 dient als \u00fcberwachtes Kontrollmodell und liefert die internen Repr\u00e4sentationen, die wir sp\u00e4ter anstelle der Rohspalten an die klassischen Detektoren weiterleiten \u2013 ein Ansatz, den wir als \u201eerweiterte Baselines\u201c bezeichnen. Die un\u00fcberwachte Variante ben\u00f6tigt keine Labels und fungiert direkt als Detektor.<\/p>\n<p><strong>FoMo-0D<\/strong> ist der Au\u00dfenseiter \u2013 im positiven Sinne. Es ist das einzige Modell hier, das von Grund auf f\u00fcr die Erkennung tabellarischer Ausrei\u00dfer konzipiert wurde und nicht aus einem Klassifikator umfunktioniert wurde. Es l\u00e4uft im Zero-Shot-Modus und ist mit Abstand das schnellste Modell im Vergleich, was es zum nat\u00fcrlichen direkten Konkurrenten im un\u00fcberwachten Benchmark macht.<\/p>\n<p><strong>AnoLLM<\/strong> kehrt den gesamten Ansatz um. Es serialisiert jede Zeile in Text und \u00fcbergibt sie an ein Sprachmodell. Freitext bleibt dabei unver\u00e4ndert, Zahlen verlieren auf dem Weg ihre mathematische Pr\u00e4zision, und die Rechenkosten steigen stark an.<\/p>\n<p><strong>ConTextTab<\/strong> liegt dazwischen. Es kombiniert die PFN-Architektur mit Embeddings des Sentence Transformer und wurde an realen Tabellen statt an synthetischen Prioren trainiert. Da es keine Anomalien erkennen kann, greift es auf die SHAP-Attribution und eine zweite \u00fcberwachte Kontrolle zur\u00fcck.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Warum-diese-fuenf\"><\/span>Warum diese f\u00fcnf?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Jedes Modell repr\u00e4sentiert eines der drei Paradigmen im tabellarischen Raum, und jedes Paradigma setzt auf eine andere Annahme dar\u00fcber, wo das Signal zu finden ist. PFNs setzen auf Verteilungen und ignorieren, was eine Spalte tats\u00e4chlich bedeutet. LLM-basierte Modelle setzen auf Semantik und zahlen daf\u00fcr mit numerischer Genauigkeit. Hybride Modelle versuchen, beides zu vereinen. Wenn man nur ein Paradigma testet, sagt ein negatives Ergebnis nichts \u00fcber die anderen aus.<\/p>\n<p>Der zweite Grund ist f\u00fcr das Fachgebiet weniger schmeichelhaft. Der Pool an Kandidaten ist d\u00fcnn. Die meisten tabellarischen Grundmodelle sind entweder nicht f\u00fcr die Anomalieerkennung ausgelegt oder k\u00f6nnen Freitext nicht nativ verarbeiten, und diese Arbeit ben\u00f6tigt Modelle, die mindestens eines von beiden leisten. Was wie eine kuratierte Auswahl aussieht, ist zum Teil einfach die Menge der Modelle, die f\u00fcr die Aufgabe geeignet sind.<\/p>\n<p>Zusammen decken die f\u00fcnf Modelle das Spektrum zwischen statistischer Genauigkeit und semantischer Dichte ab. Diese Spannung soll durch die Experimente aufgezeigt werden.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Die-zwei-Datensets\"><\/span>Die zwei Datensets<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Alles basiert auf zwei Tabellen, die ausgew\u00e4hlt wurden, weil sie sich darin unterscheiden, wie viel der Inhalt im Text enthalten ist.<\/p>\n<p><strong>\u201eFake Job Postings\u201c<\/strong> ist die textreiche Tabelle. Sie enth\u00e4lt Stellenanzeigen mit f\u00fcnf Freitext-Spalten, verf\u00fcgt \u00fcber eine integrierte Betrugsmarkierung, und etwa 4,84 Prozent ihrer Zeilen sind Anomalien.<\/p>\n<p><strong>\u201eAirbnb Paris\u201c<\/strong> ist der eher zahlenorientierte Datensatz. Er umfasst im September 2025 gesammelte Inserate, die auf eine einzige Stadt beschr\u00e4nkt sind, damit Sprache und Spaltenstruktur einheitlich bleiben, und enth\u00e4lt unter 43 Attributen vier Freitext-Spalten. Da er keine native Anomalie-Kennzeichnung enth\u00e4lt, haben wir eine anhand der Nutzerbewertungen erstellt, indem wir eine 5,0 als normal und alles bei oder unter 3,0 als anomal behandelt und den mittleren Bereich weggelassen haben. Das ist eine bewusste, aber willk\u00fcrliche Operationalisierung, die sich, wie sich herausstellt, auf die Ergebnisse auswirkt.<\/p>\n<p>Eine Zahl sollten Sie f\u00fcr alles, was nun folgt, im Hinterkopf behalten: Bei Anomalieraten unter f\u00fcnf Prozent erreicht bereits eine zuf\u00e4llige Rangfolge einen AUPRC-Wert von etwa 0,05. Jeder darunter liegende Wert wird an dieser Untergrenze gemessen, nicht an 1,0.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Das-Dilemma-der-unueberwachten-Erkennung\"><\/span>Das Dilemma der un\u00fcberwachten Erkennung<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Bei einer \u00fcberwachten Klassifizierungsaufgabe fungiert die Klassifizierung wie ein Kompass. Sie teilt dem Modell genau mit, welcher Teil einer hochkomplexen Text-Einbettung f\u00fcr die Vorhersage des Ziels relevant ist.<\/p>\n<p>Bei der un\u00fcberwachten Anomalieerkennung nehmen wir diesen Kompass weg. Der Detektor muss allein anhand der Geometrie des Eingaberaums herausfinden, was normal und was anomal ist. Wir wollten herausfinden, ob die viel gepriesenen Tabular Foundation Models und fortschrittlichen Text-Embeddings auch dann noch bestehen k\u00f6nnen, wenn sie \u201eblind fliegen\u201c.<\/p>\n<p>Die Auswertung erfolgt in drei Schritten. Zun\u00e4chst vergleichen wir die reine, un\u00fcberwachte Leistung von TabPFN Unsupervised, FoMo-0D und AnoLLM mit klassischen Detektoren wie Isolation Forest, ECOD, LODA und einem Autoencoder. Anschlie\u00dfend testen wir, ob die Umwandlung von Freitext in Vektor-Embeddings diesen klassischen Algorithmen einen semantischen Schub verleiht. Schlie\u00dflich f\u00fchren wir eine \u00fcberwachte Kontrolluntersuchung durch, um herauszufinden, ob etwaige M\u00e4ngel auf die Modelle oder auf das fehlende Label zur\u00fcckzuf\u00fchren sind.<\/p>\n<p>Ein Detail zur Fairness sollte vorab erw\u00e4hnt werden. Die Baseline-Detektoren wurden durch eine umfassende Rastersuche optimiert, w\u00e4hrend die TFMs in ihren Standardkonfigurationen liefen. Diese Asymmetrie spricht gegen unsere eigene Hypothese, und wir haben sie bewusst beibehalten, damit niemand die Ergebnisse als Artefakt der Optimierung abtun kann.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Die-Ergebnisse-Hype-vs-Realitaet\"><\/span>Die Ergebnisse: Hype vs. Realit\u00e4t<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die Ergebnisse zeigen klar den aktuellen Stand der Foundation-Modelle bei der Anomalieerkennung.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"1-David-gegen-Goliath-Die-%E2%80%9EShallow%E2%80%9C-Modelle-gewinnen-weiterhin\"><\/span>1. David gegen Goliath: Die \u201eShallow\u201c-Modelle gewinnen weiterhin<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Es herrscht die weit verbreitete Erwartung, dass der Einsatz eines gro\u00dfen, vortrainierten Modells bei einem schwierigen Problem naturgem\u00e4\u00df zu \u00fcberlegenen Ergebnissen f\u00fchrt. Bei der un\u00fcberwachten Anomalieerkennung hat sich diese Erwartung im Vergleich mit den Daten nicht best\u00e4tigt. Kein TFM erzielte \u00fcber beide Datens\u00e4tze hinweg einen konsistenten Vorteil gegen\u00fcber den optimierten Basismodellen.<\/p>\n<p>Auf dem eher numerischen Airbnb-Datensatz lagen die beiden besten Modelle, ECOD und Isolation Forest, vor allen Foundation-Modellen. Das schw\u00e4chste Modell war FoMo-0D, das im Grunde genommen den Zufallswert darstellt, obwohl es das einzige Modell war, das speziell f\u00fcr diese Aufgabe entwickelt wurde. Im textreichen Datensatz \u201eFake Job Postings\u201c erzielte AnoLLM die h\u00f6chste Punktsch\u00e4tzung, obwohl der Abstand zu den optimierten Basismodellen innerhalb einer Standardabweichung blieb. Dieser Wert unterliegt zudem anderen Regeln, da AnoLLM das einzige Modell in diesem Experiment ist, das die Zeile selbst serialisiert und somit die Freitext-Spalten sieht, w\u00e4hrend alle anderen mit der textfreien numerischen Tabelle arbeiten.<\/p>\n<p>\u00dcber die Genauigkeit hinaus ist der Rechenaufwand der entscheidende Faktor f\u00fcr den produktiven Einsatz. Die statistischen Detektoren waren in deutlich weniger als drei Sekunden fertig. W\u00e4hrend der Autoencoder etwa zweieinhalb Minuten ben\u00f6tigte, brauchte TabPFN Unsupervised mehrere Minuten und AnoLLM etwa eineinhalb Stunden pro Durchlauf bei beiden Datens\u00e4tzen. Die Ironie dabei ist, dass das schnellste Modell im gesamten Vergleich ein gefundenes<\/p>\n<p>Abgesehen von der Genauigkeit ist die Rechenleistung der entscheidende Faktor f\u00fcr die Produktion. Die statistischen Detektoren waren in deutlich weniger als drei Sekunden fertig. W\u00e4hrend der Autoencoder etwa zweieinhalb Minuten ben\u00f6tigte, brauchte TabPFN Unsupervised mehrere Minuten, und AnoLLM ben\u00f6tigte bei beiden Datens\u00e4tzen etwa eineinhalb Stunden pro Durchlauf. Die Ironie dabei ist, dass das schnellste Modell im gesamten Vergleich ein Foundation-Modell ist, da FoMo-0D die Ergebnisse in etwa 0,2 Sekunden liefert. Die Geschwindigkeit ist nicht das Problem bei TFMs, sondern die Erkennungsqualit\u00e4t, die die langsamen Modelle rechtfertigen w\u00fcrde.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"2-Die-Embedding-Falle-und-was-ihr-tatsaechlich-entgeht\"><\/span>2. Die Embedding-Falle und was ihr tats\u00e4chlich entgeht<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Bevor wir Text kodierten, haben wir die Pr\u00e4misse \u00fcberpr\u00fcft. Eine SHAP-Attribution auf ConTextTab, bei der jede Freitext-Spalte als einzelnes Attribut behandelt wird, best\u00e4tigte, dass der Text einen echten Vorhersagewert besitzt. Bei den gef\u00e4lschten Stellenanzeigen landeten alle f\u00fcnf Textspalten unter den zehn einflussreichsten Attributen, wobei das Unternehmensprofil weit vor dem st\u00e4rksten numerischen Attribut lag. Bei Airbnb ist das Bild ausgewogener, doch die Textspalten rangieren trotz ihres geringen Anteils an der Tabelle immer noch unter den Top-Attributen.<\/p>\n<p>Die Informationen sind also vorhanden. Die Frage ist, ob ein un\u00fcberwachter Detektor darauf zugreifen kann. Wir haben drei Repr\u00e4sentations-Pipelines entwickelt, n\u00e4mlich FastText als effiziente Wortvektor-Baseline, den Sentence Transformer \u201eall-mpnet-base-v2\u201c f\u00fcr einen tieferen Kontext auf Satzebene und interne TabPFN-Repr\u00e4sentationen als diagnostische Kontrolle. Da hochdimensionale Einbettungen distanz- und dichtebasierte Detektoren beeintr\u00e4chtigen, haben wir jede Variante mit einer un\u00fcberwachten PCA reduziert, bevor wir sie mit den numerischen Attributen verkettet haben. Die resultierende Pipeline ist unten dargestellt:<\/p>\n<p>&nbsp;<\/p>\n<figure id=\"attachment_68864\" aria-describedby=\"caption-attachment-68864\" style=\"width: 1570px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-68864\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-scaled.png\" alt=\"\" width=\"1570\" height=\"387\" srcset=\"https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-scaled.png 2560w, https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-300x74.png 300w, https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-1024x252.png 1024w, https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-768x189.png 768w, https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-1536x378.png 1536w, https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-2048x505.png 2048w, https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-1920x473.png 1920w, https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-400x99.png 400w, https:\/\/www.inovex.de\/wp-content\/uploads\/embedding_pipeline_architecture-360x89.png 360w\" sizes=\"auto, (max-width: 1570px) 100vw, 1570px\" \/><figcaption id=\"caption-attachment-68864\" class=\"wp-caption-text\">\u00dcbersicht \u00fcber die drei Repr\u00e4sentationspipelines: Freitext-Spalten wurden in Vektor-Embeddings (FastText oder Sentence Transformer) umgewandelt oder \u00fcber TabPFN verarbeitet, bevor sie in die Baseline-Detektoren eingespeist wurden.<\/figcaption><\/figure>\n<p>&nbsp;<\/p>\n<h4><span class=\"ez-toc-section\" id=\"Die-Ergebnisse\"><\/span>Die Ergebnisse<span class=\"ez-toc-section-end\"><\/span><\/h4>\n<p>Das Ergebnis h\u00e4ngt von der semantischen Dichte des Datensatzes ab. Bei den textreichen \u201eFake Job Postings\u201c hebt FastText mit einer aggressiven PCA jeden einzelnen der vier Detektoren \u00fcber die textfreie Referenz, und bei \u201eIsolation Forest\u201c ist der Gewinn gro\u00df genug, um das Rauschen zwischen den Durchl\u00e4ufen zu \u00fcberstehen. Beim eher zahlenlastigen Datensatz \u201eAirbnb Paris\u201c zieht genau dasselbe Verfahren jeden Detektor nach unten. Der \u201eSentence Transformer\u201c hilft so gut wie nirgendwo. Und in fast jedem Vergleich, den wir durchgef\u00fchrt haben, war eine st\u00e4rkere Reduzierung der Einbettung einer sanften Reduzierung \u00fcberlegen \u2013 was verdeutlicht, wie viel von diesem Vektorraum diese Detektoren als reines Rauschen wahrnehmen.<\/p>\n<p>Es gibt also keine Darstellungsstrategie, die bei beiden Datens\u00e4tzen funktioniert, und diejenige, die hilft, l\u00e4sst sich nicht \u00fcbertragen. Genau hier unterscheiden sich unsere un\u00fcberwachten Ergebnisse von den \u00fcberwachten Befunden anderer Arbeiten, in denen Text-Einbettungen die Leistung auf dem Benchmark insgesamt verbessert haben.<\/p>\n<p>Die semi-\u00fcberwachten TabPFN-Darstellungen, die auf das tats\u00e4chliche Label angepasst wurden, sch\u00e4rfen die Diagnose. Bei den gef\u00e4lschten Stellenanzeigen schlugen sie im Vergleich alle anderen Methoden, was beweist, dass die Detektoren durchaus in der Lage sind, eine angereicherte Darstellung zu nutzen, sobald die Informationen in einer zug\u00e4nglichen Form vorliegen. Bei Airbnb Paris versagt sogar diese labelbasierte Darstellung bei drei der vier Detektoren. Das fehlende Label ist daher nicht das einzige Hindernis, und das zweite Hindernis erweist sich als das Label selbst.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"3-Es-liegt-nicht-am-Modell-sondern-an-der-fehlenden-Klassifizierung\"><\/span>3. Es liegt nicht am Modell, sondern an der fehlenden Klassifizierung<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Sind TFMs und Text-Embeddings also von Natur aus schlecht darin? Keineswegs. Wir haben denselben Modellen dieselben Daten mit einer zugeh\u00f6rigen Zielklassifizierung vorgelegt und die Aufgabe in eine \u00fcberwachte Klassifizierung umgewandelt.<\/p>\n<p>Bei gef\u00e4lschten Stellenanzeigen stieg die Leistung sprunghaft an. ConTextTab erreichte fast eine perfekte Punktzahl, und TabPFN lag nicht weit dahinter. Die Darstellungen, die im Dunkeln nutzlos schienen, erweisen sich als \u00e4u\u00dferst informativ, sobald etwas auf das Wesentliche hinweist. Das ist das zentrale Ergebnis dieser Arbeit. Der Engpass liegt nicht in der Qualit\u00e4t der Darstellung, sondern in der \u00dcbertragung auf ein un\u00fcberwachtes Verfahren.<\/p>\n<p>Airbnb Paris erz\u00e4hlt die andere H\u00e4lfte der Geschichte. Selbst bei vollst\u00e4ndiger \u00dcberwachung sto\u00dfen die Modelle an ihre Grenzen. Sie ordnen die Inserate zwar gut ein, k\u00f6nnen aber die seltenen F\u00e4lle nicht mit Pr\u00e4zision herausfiltern. Ein aus Sternebewertungen erstelltes Label trennt die Klassen in einer Rangliste, ohne sie in der Geometrie des Eingaberaums zu trennen \u2013 und die Geometrie ist das Einzige, womit ein un\u00fcberwachtes Erkennungssystem arbeiten kann. Wo Ihr Label unscharf ist, hilft Ihnen keine Darstellung weiter.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Diskussion-Der-Weg-in-die-Zukunft\"><\/span>Diskussion: Der Weg in die Zukunft<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Auch wenn unsere Ergebnisse wie ein R\u00fcckschlag f\u00fcr TFMs bei der Anomalieerkennung erscheinen m\u00f6gen, zeigen sie doch recht genau auf, in welche Richtung sich das Forschungsgebiet entwickeln muss.<\/p>\n<p><strong>Native Textintegration.<\/strong> Anstatt externe Einbettungen nachtr\u00e4glich auf tabellarische Daten aufzupflastern, m\u00fcssen zuk\u00fcnftige Architekturen Freitext nativ verarbeiten. Modelle, die diese Darstellungen w\u00e4hrend des Trainings durchg\u00e4ngig erlernen, k\u00f6nnen den semantischen Kontext einer Tabelle weitaus besser erfassen als alles, was nachtr\u00e4glich angef\u00fcgt wird. ConTextTab, das auf echten Tabellen trainiert wurde und die Spaltensemantik beibeh\u00e4lt, ist ein plausibler Ausgangspunkt.<\/p>\n<p><strong>F\u00fcr Ausrei\u00dfer konzipierte Zielfunktionen.<\/strong> Die Anomalieerkennung ist mit einem extremen Klassenungleichgewicht konfrontiert, und die Umnutzung eines Klassifikationsmodells f\u00fcr diesen Zweck ist eher eine Notl\u00f6sung als ein durchdachtes Design. Unsere Ergebnisse deuten darauf hin, dass die Ableitung selbst das Problem ist, da die Darstellungen gut sind und nur ihre un\u00fcberwachte Verwendung versagt. Was fehlt, ist eine M\u00f6glichkeit, semantische Darstellungen ohne Label zu extrahieren.<\/p>\n<p><strong>Die Diskrepanz bei den Datens\u00e4tzen.<\/strong> In der Open-Source-Forschung sind tabellarische Datens\u00e4tze mit aussagekr\u00e4ftigen Freitext-Spalten und einer nativen Anomalie-Kennzeichnung so gut wie nicht vorhanden. In der Unternehmenspraxis sind sie hingegen allgegenw\u00e4rtig. Diese Knappheit ist der Grund daf\u00fcr, dass diese Studie auf zwei Datens\u00e4tzen basiert und dass f\u00fcr einen davon eine konstruierte Kennzeichnung erforderlich war \u2013 und sie stellt einen Engpass f\u00fcr das gesamte Forschungsgebiet dar und ist nicht nur eine Besonderheit unseres Aufbaus.<\/p>\n<p><strong>Der Mangel an un\u00fcberwachten Grundmodellen.<\/strong> Betrachtet man die aktuelle Landschaft, wird die L\u00fccke deutlich. Fast alles zielt auf \u00fcberwachte Aufgaben ab, was genau dort eine L\u00fccke hinterl\u00e4sst, wo die industrielle Anomalieerkennung angesiedelt ist.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Erkenntnisse-fuer-Ihr-naechstes-Projekt\"><\/span>Erkenntnisse f\u00fcr Ihr n\u00e4chstes Projekt<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ol>\n<li><strong>\u00dcbertreiben Sie es nicht mit der Komplexit\u00e4t.<\/strong> Bei der un\u00fcberwachten Anomalieerkennung sind die klassischen Methoden nach wie vor die pragmatische Wahl. ECOD und Isolation Forest sind schnell, kosteng\u00fcnstig und kaum zu \u00fcbertreffen, und nichts, was wir getestet haben, rechtfertigte es, eine Stunde GPU-Zeit f\u00fcr eine Alternative aufzuwenden.<\/li>\n<li><strong>Einbettungen lohnen sich nur, wenn der Text informationsreich ist.<\/strong> Das Anh\u00e4ngen von Textvektoren ist kein Allheilmittel, aber auch nicht nutzlos. Bei einer Tabelle, in der Freitext einen gro\u00dfen Anteil des Signals ausmacht, verbesserte FastText mit einer aggressiven PCA die Erkennung. Bei einer \u00fcberwiegend numerischen Tabelle verschlechterte dasselbe Vorgehen die Ergebnisse. \u00dcberpr\u00fcfen Sie die semantische Dichte Ihrer Daten, bevor Sie in eine Pipeline investieren.<\/li>\n<li><strong>\u00dcberpr\u00fcfen Sie Ihre Labels, bevor Sie Ihrem Modell die Schuld geben.<\/strong> Wenn eine \u00fcberwachte Kontrolle die Klassen nicht sauber trennen kann, hatte Ihr un\u00fcberwachter Detektor von vornherein keine Chance. Diese \u00dcberpr\u00fcfung kostet einen Nachmittag und erspart Ihnen wochenlange Feinarbeit am falschen Ansatz.<\/li>\n<li><strong>Warten Sie auf spezielle Architekturen.<\/strong> Die Zukunft f\u00fcr tabellarische Grundmodelle ist vielversprechend, aber es werden Modelle ben\u00f6tigt, die f\u00fcr un\u00fcberwachte Aufgaben vortrainiert sind, anstatt Klassifikationsmodelle, die zur Erkennung von Ausrei\u00dfern zweckentfremdet werden.<\/li>\n<\/ol>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Dieser Artikel wurde automatisch \u00fcbersetzt. Original Artikel. Data Scientists kennen dieses Problem nur zu gut. Tabellarische Daten aus der Praxis bestehen selten nur aus ordentlichen Zahlenreihen. Sie sind un\u00fcbersichtlich, heterogen und oft vollgepackt mit Freitext-Spalten wie Stellenbeschreibungen, Kundenkommentaren oder klinischen Notizen. In traditionellen Workflows des maschinellen Lernens sind diese Textspalten in der Regel die ersten [&hellip;]<\/p>\n","protected":false},"author":459,"featured_media":53012,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"ep_exclude_from_search":false,"footnotes":""},"tags":[509,214,511,77,206,151,140],"service":[76,431,75],"level":[],"coauthors":[{"id":459,"display_name":"Florian Veitz","user_nicename":"fveitz"},{"id":199,"display_name":"Darjan Salaj","user_nicename":"dsalaj"}],"class_list":["post-68841","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","tag-ai-2","tag-anomaly-detection","tag-artificial-intelligence-2","tag-big-data","tag-data-science","tag-deep-learning","tag-machine-learning","service-artificial-intelligence","service-data-science","service-nlp"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Wie helfen Tabular Foundation Models bei der Anomaly Detection? - inovex GmbH<\/title>\n<meta name=\"description\" content=\"K\u00f6nnen tabellarische Fundamentmodelle (TFMs) die Erkennung multivariater Anomalien bew\u00e4ltigen? Wir vergleichen TFMs und klassische Referenzmodelle anhand multivariater tabellarischer Daten.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Wie helfen Tabular Foundation Models bei der Anomaly Detection? - inovex GmbH\" \/>\n<meta property=\"og:description\" content=\"K\u00f6nnen tabellarische Fundamentmodelle (TFMs) die Erkennung multivariater Anomalien bew\u00e4ltigen? Wir vergleichen TFMs und klassische Referenzmodelle anhand multivariater tabellarischer Daten.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/\" \/>\n<meta property=\"og:site_name\" content=\"inovex GmbH\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/inovexde\" \/>\n<meta property=\"article:published_time\" content=\"2026-09-10T09:50:31+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-10T11:48:48+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Data-Science-AI.png\" \/>\n\t<meta property=\"og:image:width\" content=\"975\" \/>\n\t<meta property=\"og:image:height\" content=\"625\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Florian Veitz, Darjan Salaj\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Data-Science-AI.png\" \/>\n<meta name=\"twitter:creator\" content=\"@inovexgmbh\" \/>\n<meta name=\"twitter:site\" content=\"@inovexgmbh\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Florian Veitz\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"12\u00a0Minuten\" \/>\n\t<meta name=\"twitter:label3\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data3\" content=\"Florian Veitz, Darjan Salaj\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/\"},\"author\":{\"name\":\"Florian Veitz\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#\\\/schema\\\/person\\\/a789e848c1a09269ebdbd1861ada7b2a\"},\"headline\":\"Wie helfen Tabular Foundation Models bei der Anomaly Detection?\",\"datePublished\":\"2026-09-10T09:50:31+00:00\",\"dateModified\":\"2026-09-10T11:48:48+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/\"},\"wordCount\":2448,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/Data-Science-AI.png\",\"keywords\":[\"Ai\",\"Anomaly Detection\",\"Artificial Intelligence\",\"Big Data\",\"Data Science\",\"Deep Learning\",\"Machine Learning\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/\",\"name\":\"Wie helfen Tabular Foundation Models bei der Anomaly Detection? - inovex GmbH\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/Data-Science-AI.png\",\"datePublished\":\"2026-09-10T09:50:31+00:00\",\"dateModified\":\"2026-09-10T11:48:48+00:00\",\"description\":\"K\u00f6nnen tabellarische Fundamentmodelle (TFMs) die Erkennung multivariater Anomalien bew\u00e4ltigen? Wir vergleichen TFMs und klassische Referenzmodelle anhand multivariater tabellarischer Daten.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/Data-Science-AI.png\",\"contentUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/Data-Science-AI.png\",\"width\":975,\"height\":625,\"caption\":\"Grafische Darstellung eines Laptops, der verschiedene Datenvisualisierungen und Diagramme anzeigt. Um den Laptop herum sind digitale Elemente und Datenstr\u00f6me angeordnet, die die Themen Data Science und K\u00fcnstliche Intelligenz symbolisieren. Der Hintergrund ist in einem tiefen Blau gehalten.\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/anomaly-detection-do-tabular-foundation-models-help\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Wie helfen Tabular Foundation Models bei der Anomaly Detection?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#website\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/\",\"name\":\"inovex GmbH\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#organization\",\"name\":\"inovex GmbH\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/2021\\\/03\\\/inovex-logo-16-9-1.png\",\"contentUrl\":\"https:\\\/\\\/www.inovex.de\\\/wp-content\\\/uploads\\\/2021\\\/03\\\/inovex-logo-16-9-1.png\",\"width\":1921,\"height\":1081,\"caption\":\"inovex GmbH\"},\"image\":{\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/inovexde\",\"https:\\\/\\\/x.com\\\/inovexgmbh\",\"https:\\\/\\\/www.instagram.com\\\/inovexlife\\\/\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/inovex\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UC7r66GT14hROB_RQsQBAQUQ\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/#\\\/schema\\\/person\\\/a789e848c1a09269ebdbd1861ada7b2a\",\"name\":\"Florian Veitz\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/c2d5f9db4a219e65aa2717e8ea96c54dacb432f9b5a85192e4dcb2c8f7178911?s=96&d=retro&r=g1a04ed8e18541711e1f83b6fdccadd79\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/c2d5f9db4a219e65aa2717e8ea96c54dacb432f9b5a85192e4dcb2c8f7178911?s=96&d=retro&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/c2d5f9db4a219e65aa2717e8ea96c54dacb432f9b5a85192e4dcb2c8f7178911?s=96&d=retro&r=g\",\"caption\":\"Florian Veitz\"},\"url\":\"https:\\\/\\\/www.inovex.de\\\/de\\\/blog\\\/author\\\/fveitz\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Wie helfen Tabular Foundation Models bei der Anomaly Detection? - inovex GmbH","description":"K\u00f6nnen tabellarische Fundamentmodelle (TFMs) die Erkennung multivariater Anomalien bew\u00e4ltigen? Wir vergleichen TFMs und klassische Referenzmodelle anhand multivariater tabellarischer Daten.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/","og_locale":"de_DE","og_type":"article","og_title":"Wie helfen Tabular Foundation Models bei der Anomaly Detection? - inovex GmbH","og_description":"K\u00f6nnen tabellarische Fundamentmodelle (TFMs) die Erkennung multivariater Anomalien bew\u00e4ltigen? Wir vergleichen TFMs und klassische Referenzmodelle anhand multivariater tabellarischer Daten.","og_url":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/","og_site_name":"inovex GmbH","article_publisher":"https:\/\/www.facebook.com\/inovexde","article_published_time":"2026-09-10T09:50:31+00:00","article_modified_time":"2026-09-10T11:48:48+00:00","og_image":[{"width":975,"height":625,"url":"https:\/\/www.inovex.de\/wp-content\/uploads\/Data-Science-AI.png","type":"image\/png"}],"author":"Florian Veitz, Darjan Salaj","twitter_card":"summary_large_image","twitter_image":"https:\/\/www.inovex.de\/wp-content\/uploads\/Data-Science-AI.png","twitter_creator":"@inovexgmbh","twitter_site":"@inovexgmbh","twitter_misc":{"Verfasst von":"Florian Veitz","Gesch\u00e4tzte Lesezeit":"12\u00a0Minuten","Written by":"Florian Veitz, Darjan Salaj"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#article","isPartOf":{"@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/"},"author":{"name":"Florian Veitz","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/person\/a789e848c1a09269ebdbd1861ada7b2a"},"headline":"Wie helfen Tabular Foundation Models bei der Anomaly Detection?","datePublished":"2026-09-10T09:50:31+00:00","dateModified":"2026-09-10T11:48:48+00:00","mainEntityOfPage":{"@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/"},"wordCount":2448,"commentCount":0,"publisher":{"@id":"https:\/\/www.inovex.de\/de\/#organization"},"image":{"@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#primaryimage"},"thumbnailUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Data-Science-AI.png","keywords":["Ai","Anomaly Detection","Artificial Intelligence","Big Data","Data Science","Deep Learning","Machine Learning"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/","url":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/","name":"Wie helfen Tabular Foundation Models bei der Anomaly Detection? - inovex GmbH","isPartOf":{"@id":"https:\/\/www.inovex.de\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#primaryimage"},"image":{"@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#primaryimage"},"thumbnailUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Data-Science-AI.png","datePublished":"2026-09-10T09:50:31+00:00","dateModified":"2026-09-10T11:48:48+00:00","description":"K\u00f6nnen tabellarische Fundamentmodelle (TFMs) die Erkennung multivariater Anomalien bew\u00e4ltigen? Wir vergleichen TFMs und klassische Referenzmodelle anhand multivariater tabellarischer Daten.","breadcrumb":{"@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#primaryimage","url":"https:\/\/www.inovex.de\/wp-content\/uploads\/Data-Science-AI.png","contentUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Data-Science-AI.png","width":975,"height":625,"caption":"Grafische Darstellung eines Laptops, der verschiedene Datenvisualisierungen und Diagramme anzeigt. Um den Laptop herum sind digitale Elemente und Datenstr\u00f6me angeordnet, die die Themen Data Science und K\u00fcnstliche Intelligenz symbolisieren. Der Hintergrund ist in einem tiefen Blau gehalten."},{"@type":"BreadcrumbList","@id":"https:\/\/www.inovex.de\/de\/blog\/anomaly-detection-do-tabular-foundation-models-help\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.inovex.de\/de\/"},{"@type":"ListItem","position":2,"name":"Wie helfen Tabular Foundation Models bei der Anomaly Detection?"}]},{"@type":"WebSite","@id":"https:\/\/www.inovex.de\/de\/#website","url":"https:\/\/www.inovex.de\/de\/","name":"inovex GmbH","description":"","publisher":{"@id":"https:\/\/www.inovex.de\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.inovex.de\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.inovex.de\/de\/#organization","name":"inovex GmbH","url":"https:\/\/www.inovex.de\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/logo\/image\/","url":"https:\/\/www.inovex.de\/wp-content\/uploads\/2021\/03\/inovex-logo-16-9-1.png","contentUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/2021\/03\/inovex-logo-16-9-1.png","width":1921,"height":1081,"caption":"inovex GmbH"},"image":{"@id":"https:\/\/www.inovex.de\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/inovexde","https:\/\/x.com\/inovexgmbh","https:\/\/www.instagram.com\/inovexlife\/","https:\/\/www.linkedin.com\/company\/inovex","https:\/\/www.youtube.com\/channel\/UC7r66GT14hROB_RQsQBAQUQ"]},{"@type":"Person","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/person\/a789e848c1a09269ebdbd1861ada7b2a","name":"Florian Veitz","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/c2d5f9db4a219e65aa2717e8ea96c54dacb432f9b5a85192e4dcb2c8f7178911?s=96&d=retro&r=g1a04ed8e18541711e1f83b6fdccadd79","url":"https:\/\/secure.gravatar.com\/avatar\/c2d5f9db4a219e65aa2717e8ea96c54dacb432f9b5a85192e4dcb2c8f7178911?s=96&d=retro&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/c2d5f9db4a219e65aa2717e8ea96c54dacb432f9b5a85192e4dcb2c8f7178911?s=96&d=retro&r=g","caption":"Florian Veitz"},"url":"https:\/\/www.inovex.de\/de\/blog\/author\/fveitz\/"}]}},"_links":{"self":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/68841","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/users\/459"}],"replies":[{"embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/comments?post=68841"}],"version-history":[{"count":6,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/68841\/revisions"}],"predecessor-version":[{"id":69753,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/68841\/revisions\/69753"}],"wp:attachment":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/media?parent=68841"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/tags?post=68841"},{"taxonomy":"service","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/service?post=68841"},{"taxonomy":"level","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/level?post=68841"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/coauthors?post=68841"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}