基于模糊粗糙集的异构数据半监督异常检测方法
机器学习
2025-12-23 v1
摘要
异常检测旨在寻找与数据大多数样本行为不同的样本。半监督检测方法可利用部分标签的监督信息，从而降低误报率。然而，当前大多数半监督方法关注数值数据，忽略了数据信息的异构性。本文提出了一种基于模糊粗糙集理论的半监督异常检测算法（COD），用于异构数据。首先，利用少数标记异常值构建具有标签导导性的模糊相似关系。随后，引入模糊决策系统的一致性来评估属性对知识分类的贡献。进而，基于模糊相似类定义异常因子，并通过整合分类一致性和异常因子来预测异常值。该算法在15个新建数据集上进行了广泛评估。实验结果表明，COD优于或相当于领先的异常检测器。本稿件为Elsevier发表论件的接受版，最终出版版本可访问于https://doi.org/10.1016/j.asoc.2024.112070
引用
@article{arxiv.2512.18977,
title = {Consistency-guided semi-supervised outlier detection in heterogeneous data using fuzzy rough sets},
author = {Baiyang Chen and Zhong Yuan and Dezhong Peng and Xiaoliang Chen and Hongmei Chen},
journal= {arXiv preprint arXiv:2512.18977},
year = {2025}
}
备注
Author's Accepted Manuscript