引入特征灵敏度的扩展隔离森林
计算与语言
2026-02-11 v1 人工智能
摘要
与假设数据所有特征对偏离具有相同灵敏度的理论框架相比，允许对不同特征灵敏度的异常检测理论发展不足。据我们所知，在隔离基于方法的背景下尚未解决此问题，本文是首次尝试解决此问题的工作。本文引入了具备特征灵敏度的扩展隔离森林，称为各向异性隔离森林 (AIF)。与标准 EIF 相比，AIF 使能够对特征空间中不同特征或方向的偏离灵敏度进行可调控制。本文还引入了新的方向灵敏度度量，允许量化 AIF 在特征空间中不同方向的灵敏度。这些度量使能够根据特定任务的要求调整 AIF 的灵敏度。我们通过应用于合成和真实数据集来展示该算法的性能。结果表明，AIF 能够实现针对特征空间中偏离典型行为更重要的方向进行异常检测。
引用
@article{arxiv.2602.09703,
title = {Maastricht University at AMIYA: Adapting LLMs for Dialectal Arabic using Fine-tuning and MBR Decoding},
author = {Abdulhai Alali and Abderrahmane Issam},
journal= {arXiv preprint arXiv:2602.09703},
year = {2026}
}