高密度异常检测算法框架

本研究探讨高密度异常的概念。与传统将异常视为孤立出现的观点相反，高密度异常是位于数据空间中最正常区域中的偏离样本。此类异常与多种实际用例相关，例如不当行为检测与数据质量分析。在分析非常大或含噪的数据集时，传统异常检测算法会返回许多假阳性，因此识别它们的有效方法尤为重要。为能够识别高密度异常，本研究引入了若干用于无监督检测的非参数算法框架。这些框架能够利用已有的底层异常检测算法，并为该检测任务中固有的平衡问题提供不同解决方案。我们使用合成与真实世界数据集对框架进行评估，并与已有的传统异常检测基线算法比较。迭代部分推动（IPP）框架被证明能产生最佳检测结果。