PRISMは、学習済み表現を必要とせず、固定されたランダムな非線形ニューラル特徴と正規参照に基づくマハラノビススコアを組み合わせたフレームワークである。これにより、表データと画像データの両方で高い検知精度を実現した。

表データでは、PRISM‑Tが一つのPRISMブロック（線形変換＋インスタンス／バッチ正規化＋LeakyReLU）を使用し、λ＝10⁻³のマハラノビススコアで評価した結果、47のA DBenchデータセットで平均AUROC 86.4 %と平均AUPRC 65.9 %を達成した。これは比較手法の中で最も高い平均AUROCを示し、AUPRCでは第2位となった。

画像データでは、PRISM‑Vが5つのPRISMブロックをBlurPoolでの下位サンプリングと交互に配置し、ブロック2〜5を連結して密な異常マップを生成した。MVTec ADとVisAの27カテゴリに対し、画像レベルの平均AUROC 90.4 %・ピクセルレベルの平均AUROC 96.4 %を達成し、これらは重みの最適化や事前学習表現を使用していない点で注目すべき成果である。

PRISM‑Vはパラメータ数が0.33 Mと、PatchCore（68.9 M）やWinCLIP+（208 M）と比べ5 %未満である。これは軽量化と高速導入を可能にするが、ピクセルレベルのローカリゼーションではPatchCore（AUPRO 98.4 %）に比べ80.2 %と遅れが見られる。

以上の結果は、ランダム非線形変換が異常検知の十分な基準になり得ることを示す。また、軽量で高速に導入できる一方で、精密なピクセルレベルローカリゼーションが要求されるタスクでは事前学習表現が有利であることを示唆している。