使用旋转隔离森林检测异常
机器学习
2025-01-30 v1
摘要
隔离森林 (iForest), 由 Liu、Ting 和 Zhou 在 TKDE 2012 提出, 已成为无监督异常检测的著名工具. 然而, 最近由 Hariri、Kind 和 Brunner 在 TKDE 2021 发表的研究揭示了 iForest 的问题. 他们识别出轴对齐幽灵聚类, 这些聚类可能被误认为是 normal 聚类, 从而导致偏差的异常分数和不准确的预测. 作为回应, 他们发展了扩展隔离森林 (EIF), 该方法通过消除 iForest 引入的幽灵聚类来有效解决这些问题. 这种 enhancement 结果在异常分数一致性和性能方面均有所提高. 我们揭示了扩展隔离森林 (EIF) 还存在 previously 被忽视的问题, 显示其对 normal 聚类之间的数据点幽灵 inter-clusters 脆弱. 本文提出了旋转隔离森林 (RIF) 算法, 有效解决了 iForest 中观察到的轴对齐幽灵聚类以及 EIF 中看到的幽灵 inter-clusters. RIF 通过在将数据随机旋转 (使用随机旋转矩阵和 QR 分解) 后输入 iForest construction, 从而增加数据变异性并消除幽灵聚类. 我们的实验明确证明了 RIF 算法在 synthetic 数据集和 real-world 数据集上均优于 iForest 和 EIF.
引用
@article{arxiv.2501.17787,
title = {Detecting Anomalies Using Rotated Isolation Forest},
author = {Vahideh Monemizadeh and Kourosh Kiani},
journal= {arXiv preprint arXiv:2501.17787},
year = {2025}
}