SPINEX：基于相似性的异常与离群点检测算法
摘要
本文提出了一类名为 SPINEX（Similarity-based Predictions with Explainable Neighbors Exploration）的新型异常与离群点检测算法。该算法利用相似性概念以及跨越多个子空间的高阶相互作用来识别离群点。对 SPINEX 性能进行了全面实验评估。该算法在 21 种常用异常检测算法（即 Angle-Based Outlier Detection (ABOD), Connectivity-Based Outlier Factor (COF), Copula-Based Outlier Detection (COPOD), ECOD, Elliptic Envelope (EE), Feature Bagging with KNN, 高斯混合模型 (GMM), 直方图基于离群点得分 (HBOS), 隔离森林 (IF), 隔离神经网络集成 (INNE), 核密度估计 (KDE), K 最近邻 (KNN), 轻量级在线异常检测器 (LODA), 线性模型偏差检测器 (LMDD), 局部离群因子 (LOF), 最小协方差行列式 (MCD), 单类支持向量机 (OCSVM), 二次 MCD (QMCD), 鲁棒协方差 (RC), 随机离群选择 (SOS), 子空间离群点检测 (SOD)）以及 39 个来自不同领域、具有多样维数和复杂度的合成和真实数据集上进行了测试。此外，还对该算法的复杂度进行了分析。我们的结果表明，SPINEX 在性能上优于常用异常检测算法，拥有中等复杂度（例如 O(n log n d)）。更具体地说，SPINEX 在合成数据集上排名靠前，在真实数据集上排名第 7。最后，展示了 SPINEX 的可解释性功能及其未来研究需求。
引用
@article{arxiv.2407.04760,
title = {SPINEX: Similarity-based Predictions with Explainable Neighbors Exploration for Anomaly and Outlier Detection},
author = {MZ Naser and Ahmed Z Naser},
journal= {arXiv preprint arXiv:2407.04760},
year = {2024}
}