有效发现有意义离群点关系
数据库
2020-04-10 v2
摘要
我们提出 PODS（Predictable Outliers in Data-trendS），一种给定时序数据集集合、通过识别数据集间有意义关系来推导数据驱动离群点解释的方法。首先，我们形式化了有意义性的概念，该概念此前被非正式地以可解释性表述。其次，由于离群点稀少且难以判定其关系是否有意义，我们开发了一种新准则，通过检查这些关系是否能由非离群点预测（即我们是否能预见离群点关系）来判定。最后，在大型数据集合中搜索每对数据集间有意义离群点关系在计算上不可行。为此，我们提出一种索引策略，剪枝数据集间不相关比较，使方法可扩展。我们给出了使用真实数据集与不同基线的实验评估结果，证明了方法的有效性、鲁棒性与可扩展性。
引用
@article{arxiv.1910.08678,
title = {Effective Discovery of Meaningful Outlier Relationships},
author = {Aline Bessa and Juliana Freire and Divesh Srivastava and Tamraparni Dasu},
journal= {arXiv preprint arXiv:1910.08678},
year = {2020}
}