本文介绍了 EIF +，即 Enhanced Isolation Forest 的改进版本，用于增强概括能力；同时，提出了 ExIFFI，一种为 Extended Isolation Forest 添加解释性特征的新方法，即特征排名；实验结果表明 ExIFFI 在异常检测方面具有解释性，并作为无监督环境下的有效特征选择技术。

Oct, 2023

我们对孤立森林方法进行了两项改进，第一项改进是信息论动机的评分函数推广，允许考虑整个分布而不仅仅是树的平均值；第二项改进是替换孤立森林中基于深度的评分方法，采用基于孤立树叶节点相关的超体积的评分方法，并在生成数据和 34 个 “ADBench” 基准数据集上进行了评估，发现在一些数据集上这两种变体都有显著的改进，并且对于这两种变体中的一种，平均来说在所有数据集上都有改进。我们提供了用于重现实验结果的代码。

Sep, 2023

本研究旨在将广泛应用于有限维数据的孤立森林（Isolation Forest）方法扩展到函数数据，以便更准确地检测出复杂基础设施的异常情况，并提出了基于 IF 算法的函数统计深度方法和多元函数扩展。

Apr, 2019

本文讨论了隔离森林 (iForest) 算法的改进，即通过非一致随机选择变量和 / 或阈值的方式，优于原算法在某些离群点类别的识别方面，并对比测试不同的分割指导标准。

Oct, 2021

本研究旨在回答孤立森林隔离效率的理论最优分支因子，并通过偏差减少实现更好的偏差 - 方差权衡，提出一种 OptIForest 算法，结合基于聚类的哈希学习，以实现更好的隔离效果、更高效且更具鲁棒性。在一系列基准数据集上的实验表明，该方法普遍优于深度学习等现有方法。

Jun, 2023

本文提出了高效而省时的方法，在隔离森林的全局和局部层面上定义特征重要性得分，并定义了一种在无监督异常检测中执行特征选择的过程。在多个合成和实际数据集上评估了性能，并与现有技术进行比较。

Jul, 2020

提出两种新的 AD 算法，以解决 Functional Isolation Forest (FIF) 在线性内积和词典选择方面的限制，结果通过多个数值实验得到验证。

Mar, 2024

本文提出了一种基于主动学习的方法（ALIF），用于检测具有领域特定异常定义的不寻常行为，并且性能优于其他最先进的算法。该方法特别适用于集成有异常检测功能的决策支持系统（DSS）。

Jul, 2022

本文提出了一种新的方法，利用二进制反馈来改进基于树的异常检测算法（Isolation Forest Algorithm）的性能，从而减少高排名误报的数量，使得人工分析者可以更容易地发现感兴趣的异常点，特别适用于大数据集的交互式异常发现。

Aug, 2017

这篇论文介绍了一种针对决策树模型的 OutOf-Distribution（OOD）泛化的新颖有效解决方案，名为不变决策树（IDT）。IDT 通过在树的生长过程中对于不同环境下分割的不稳定 / 变化行为施加惩罚项来实现 OOD 泛化。通过理论结果和合成以及真实数据集的数值测试，证实了所提出的方法的优越性能，表明决策树模型的 OOD 泛化是绝对必要且应该更加关注。

Dec, 2023