基于模糊近似和相对熵的混合属性数据异常检测：一种半监督方法
机器学习
2025-12-23 v1
摘要
异常检测是数据挖掘中的关键任务，旨在识别与常规显著ly偏离的对象。半监督方法通过利用部分标记数据来提高检测性能，但通常忽略了现实混合属性数据中的不确定性和异构性。本文引入一种半监督异常检测方法，即基于模糊粗糙集的异常检测（FROD），以有效处理这些挑战。具体而言，我们首先利用小部分标记数据构建模糊决策系统，通过其中引入基于模糊近似的属性分类准确度来评估属性集在异常检测中的贡献。随后，利用未标记数据计算模糊相对熵，这提供了从不确定性角度 characterize异常值的方法。最后，我们通过结合属性分类准确度和模糊相对熵开发检测算法。在16个公共数据集上的实验结果表明，FROD优于或相当于领先的检测算法。所有数据集和源代码可访问于https://github.com/ChenBaiyang/FROD。本稿件为Elsevier发表论件的接受版，最终出版版本可访问于https://doi.org/10.1016/j.ijar.2025.109373
引用
@article{arxiv.2512.18978,
title = {Outlier detection in mixed-attribute data: a semi-supervised approach with fuzzy approximations and relative entropy},
author = {Baiyang Chen and Zhong Yuan and Zheng Liu and Dezhong Peng and Yongxiang Li and Chang Liu and Guiduo Duan},
journal= {arXiv preprint arXiv:2512.18978},
year = {2025}
}
备注
Author's accepted manuscript