基于隔离的球形集合表示用于异常检测
机器学习
2025-10-16 v1
摘要
异常检测是数据挖掘和管理中的关键任务，应用范围涵盖欺诈检测、网络安全和日志监控等。尽管已有大量研究，但现有的无监督异常检测方法仍面临分布性假设冲突、计算效率低、难以处理不同异常类型等根本性挑战。为此，我们提出ISER（Isolation-based Spherical Ensemble Representations），即隔离-based 球形集合表示，通过使用球面半径作为局部密度特征的代理值，延伸现有的隔离方法，同时保持线性时间复杂度和恒定空间复杂度。ISER构建集合表示，其中球面半径编码密度信息：半径较小的区域表明密集区域，半径较大的区域表明稀疏区域。我们引入一种基于相似性的评分方法，通过将集合表示与理论异常参考模式进行比较来衡量模式一致性。此外，我们通过ISER增强Isolation Forest的性能，并调整评分函数以解决轴平行偏差和局部异常检测限制。针对22个真实数据集的广泛实验表明，ISER在11个基线方法中表现优异。
引用
@article{arxiv.2510.13311,
title = {Isolation-based Spherical Ensemble Representations for Anomaly Detection},
author = {Yang Cao and Sikun Yang and Hao Tian and Kai He and Lianyong Qi and Ming Liu and Yujiu Yang},
journal= {arXiv preprint arXiv:2510.13311},
year = {2025}
}