面向结构化异常检测的偏好隔离森林

我们解决了检测异常值作为不符合由低维流形表示的结构模式的样本的问题。为此，我们构思了一个通用的异常检测框架，称为偏好隔离森林（Preference Isolation Forest, PIF），将自适应隔离方法的优势与偏好嵌入的灵活性相结合。关键直觉是通过拟合低维流形将数据嵌入高维偏好空间，并将异常值识别为孤立点。我们提出了三种隔离方法来识别异常值：$i$) Voronoi-iForest，是最通用的解决方案，$ii$) RuzHash-iForest，通过局部敏感哈希避免显式计算距离，$iii$) Sliding-PIF，利用局部先验提高效率和效果。