OptIForest：用于异常检测的最优隔离森林

异常检测在网络安全中的入侵检测、金融风险检测与人类健康监控等关键任务的各种领域中扮演着日益重要的角色。已提出多种异常检测方法，其中一类基于隔离森林机制的方法因其简单性、有效性与高效性而脱颖而出，例如iForest常被用作实际部署中的最先进(state-of-the-art)检测器。虽然大多数隔离森林使用二叉结构，框架LSHiForest已证明多叉隔离树结构可带来更好的检测性能。然而，尚无理论工作回答关于具有分支因子的隔离森林的最优树结构这一根本且实际重要的问题。在本文中，我们建立关于隔离效率的理论以回答该问题，并确定隔离树的最优分支因子。基于该理论根基，我们设计了实用的基于聚类学习哈希的最优隔离森林OptIForest，其能从数据中学到更多信息以获得更好隔离质量。我们方法的原理依赖于OptIForest中通过偏差缩减实现的更好偏差-方差权衡。在一系列基准数据集上进行的比较与消融研究的广泛实验表明，我们的方法通常能比包括基于深度学习的方法在内的最先进方法更高效且鲁棒地实现更好的检测性能。