用于异常检测的深度孤立森林
机器学习
2023-06-12 v4
摘要
孤立森林(iForest)近年来已成为 arguably 最流行的异常检测器,因其在不同基准上的总体有效性及强可扩展性。然而,其线性轴平行隔离方法常导致(i)在高层/非线性可分数据空间中难以隔离的困难异常检测失败,以及(ii)将意外较低的异常分数分配给伪影区域的著名算法偏差。这些问题导致高假阴性错误。已有若干 iForest 扩展被提出,但它们本质上仍采用浅层线性数据划分,限制了其隔离真实异常的能力。因此,本文提出深度孤立森林。我们引入一种新的表示方案,利用随机初始化的神经网络将原始数据映射为随机表示集成,随后在其上施加随机轴平行切割以进行数据划分。该表示方案促进了原始数据空间中划分的高自由度(等价于在变尺寸子空间上的非线性划分),促成了随机表示与基于随机划分的隔离之间独特的协同。大量实验表明,我们的模型在表格、图与时间序列数据集上相较最先进的基于隔离的方法与深度检测器取得显著改进;我们的模型也继承了 iForest 所需的可扩展性。
引用
@article{arxiv.2206.06602,
title = {Deep Isolation Forest for Anomaly Detection},
author = {Hongzuo Xu and Guansong Pang and Yijie Wang and Yongjun Wang},
journal= {arXiv preprint arXiv:2206.06602},
year = {2023}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering (TKDE)