基于粗粒度密度的标签信息型异常检测
机器学习
2025-12-23 v1
摘要
异常检测对于识别具有重要影响的异常模式已引起广泛关注。现有的半监督方法通常将数据视为纯数值并以确定性方式处理，从而忽略了复杂真实数据集中固有的异质性和不确定性。本文引入一种基于粗粒子计算和模糊集合的、面向异构数据的标签信息型异常检测方法，称为 Granule Density-based Outlier Factor（GDOF）。具体而言，GDOF 首先采用标签导引的模糊粒粒构建机制有效地表示各种数据类型，构建粒粒密度以进行精确密度估计。随后，基于评估标签异常样本中属性相关性，整合各属性的粒粒密度进行异常评分。实验结果表明，在极少标签异常样本的情况下，GDOF 在检测异构数据的异常方面表现突出。GDOF 集成的模糊集合和粗粒子计算提供了一个应用于复杂多样数据类型的实用框架。所有相关数据集和源代码均公开供进一步研究。本文为 IEEE Transactions on Fuzzy Systems 发表的已接受手稿，最终版本可在 https://doi.org/10.1109/TFUZZ.2024.3514853 查阅。
引用
@article{arxiv.2512.18774,
title = {Label-Informed Outlier Detection Based on Granule Density},
author = {Baiyang Chen and Zhong Yuan and Dezhong Peng and Hongmei Chen and Xiaomin Song and Huiming Zheng},
journal= {arXiv preprint arXiv:2512.18774},
year = {2025}
}
备注
Author's Accepted Manuscript