一种基于局部密度的局部离群点检测方法
人工智能
2016-06-29 v1 机器学习
机器学习
摘要
本文提出了一种简单但有效的、基于局部核密度估计 (KDE) 的密度型离群点检测方法。我们引入了一个基于相对密度的离群点得分 (RDOS) 来衡量对象的局部离群程度，其中对象所在位置的密度分布是通过基于该对象的扩展最近邻的局部 KDE 方法来估计的。我们不仅使用 个最近邻，还进一步考虑了对象的反向最近邻和共享最近邻来进行密度分布估计。推导了所提出的 RDOS 的一些理论性质，包括其期望值和虚警概率。在合成数据集和真实数据集上的综合实验研究表明，我们的方法比当前最先进的离群点检测方法更有效。
引用
@article{arxiv.1606.08538,
title = {A Local Density-Based Approach for Local Outlier Detection},
author = {Bo Tang and Haibo He},
journal= {arXiv preprint arXiv:1606.08538},
year = {2016}
}
备注
22 pages, 14 figures, submitted to Pattern Recognition Letters