基于函数的隔离森林 (FuBIF)：面向可解释隔离型异常检测的统一框架
机器学习
2025-11-11 v1 机器学习
摘要
异常检测（AD）正通过具备识别复杂数据集中异常值能力的算法不断演进。隔离森林（IF）作为关键 AD 技术，面临适应性不足和偏差问题。本文提出函数型隔离森林（FuBIF），这是一种对 IF 的通用扩展，允许使用实值函数进行数据分支，显著提升了评估树构建的灵活性。此外，FuBIF 特征重要性（FuBIFFI）算法扩展了 IF 类方法的可解释性，通过提供跨可能的 FuBIF 模型的特征重要性分数。本文详述 FuBIF 的操作框架，评估其性能并探讨其理论贡献。我们提供开源实现，以鼓励进一步研究并确保可重复性。
引用
@article{arxiv.2511.06054,
title = {Function Based Isolation Forest (FuBIF): A Unifying Framework for Interpretable Isolation-Based Anomaly Detection},
author = {Alessio Arcudi and Alessandro Ferreri and Francesco Borsatti and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2511.06054},
year = {2025}
}