扩展直方图基异常得分 (EHBOS)

直方图基异常得分 (HBOS) 是一种广泛使用的异常或异常检测方法，因其计算效率和简单性而备受推崇。然而，其特征独立性假设限制了其在特征关系在关键因素中发挥作用的情境下检测异常的能力。本文提出扩展直方图基异常得分 (EHBOS)，通过纳入二维直方图来捕捉特征对之间的依赖关系。这种扩展允许 EHBOS 识别 HBOS 无法检测的情境和依赖驱动的异常。我们在 17 个基准数据集上对 EHBOS 进行评估，展示了其在多样化异常检测情境下的有效性和鲁棒性。EHBOS 在多个数据集上均优于 HBOS，尤其是在特征关系在定义异常结构中起关键作用的数据集上，实现了显著的 ROC AUC 提升。这些结果突显了 EHBOS 作为 HBOS 重要扩展的价值，能够建模复杂的特征依赖关系。EHBOS 为特征关系在起重要作用的数据集中的异常检测提供了强大的新工具。