随机化 PCA 森林用于无监督异常值检测
机器学习
2026-05-12 v3 人工智能
机器学习
摘要
我们提出了一种基于随机化主成分分析（PCA）的新型无监督异常值检测方法。受随机化 PCA（RPCA）森林在近似 K 近邻（KNN）搜索中性能的启发，我们开发了一种利用 RPCA 森林进行无监督异常值检测的新方法，通过推导其固有属性获得异常值分数。实验结果表明，该方法在多个数据集上的异常值检测任务中优于经典方法和最先进方法，在其余数据集上也具有竞争力。对该方法的广泛分析反映了其鲁棒性和计算效率，使其成为无监督异常值检测的良好选择。
引用
@article{arxiv.2508.12776,
title = {Randomized PCA Forest for Unsupervised Outlier Detection},
author = {Muhammad Rajabinasab and Farhad Pakdaman and Moncef Gabbouj and Peter Schneider-Kamp and Arthur Zimek},
journal= {arXiv preprint arXiv:2508.12776},
year = {2026}
}