将反馈融入基于树的异常检测

异常检测器常用于生成统计异常的排序列表，由人类分析师检查以提取实际感兴趣的异常。遗憾的是，在真实应用中，由于高排名异常中很大一部分是假阳性且从应用角度看并无意义，这一过程对分析师而言可能极其困难。本文旨在通过允许分析师在调查过程中提供反馈，来简化分析师的工作。理想情况下，反馈以某种方式影响异常检测器的排序，从而减少在发现感兴趣异常之前必须检查的假阳性数量。特别地，我们引入了一种将简单二元反馈融入基于树的异常检测器的新技术。我们聚焦于孤立森林（Isolation Forest）算法作为代表性基于树的异常检测器，并表明与未融入反馈的基线算法相比，我们通过融入反馈能显著提升其性能。我们的技术简单且随数据规模增大而良好扩展，这使其适用于大型数据集中的交互式异常发现。