一种用于离群方面挖掘的新型高效度量
机器学习
2020-05-28 v3 机器学习
摘要
离群方面挖掘（OAM）旨在找到给定查询相对于给定数据集为离群值的子空间（又称方面）。现有 OAM 算法使用传统的基于距离/密度的离群分数对子空间排序。由于这些基于距离/密度的分数依赖于子空间的维数，它们无法在不同维数的子空间之间直接比较。-score 归一化已被用来使它们可比较。它需要在每个子空间中计算所有实例的离群分数。这在已很昂贵的密度估计之上增加了显著的计算开销——使得 OAM 算法在大型和/或高维数据集中不可行。我们还发现 -score 归一化在某些情况下不适用于 OAM。本文中，我们引入一种称为 SiNNE 的新分数，它独立于子空间维数。这使得不同维数子空间中的分数可直接比较而无需任何额外归一化。我们的实验结果表明，SiNNE 产生优于或至少等同于现有分数的结果；并且它显著改善了基于集束搜索的现有 OAM 算法的运行时间。
引用
@article{arxiv.2004.13550,
title = {A new effective and efficient measure for outlying aspect mining},
author = {Durgesh Samariya and Sunil Aryal and Kai Ming Ting},
journal= {arXiv preprint arXiv:2004.13550},
year = {2020}
}
备注
Co-authors are not agree with submission of paper on arxiv